Диссертация по нейронным сетям требует одновременно строгой математической базы и воспроизводимых экспериментальных результатов. Теоретической главы без реализованной модели здесь недостаточно.
Особенности диссертации по нейронным сетям
Работа по нейронным сетям стоит на пересечении прикладной математики, программной инженерии и предметной области применения — медицины, финансов, компьютерного зрения. Это значит, что рецензент одновременно оценивает корректность архитектурного выбора, статистическую значимость метрик и обоснованность датасета.
Типичная структура включает: обзор архитектур (CNN, RNN, Transformer и их модификации), описание данных и предобработки, реализацию модели, сравнительный анализ с базовыми бенчмарками. Без таблицы сравнения с альтернативными подходами работу заворачивают на предзащите.
Срезаются чаще всего на трёх вещах: выбор метрики без учёта дисбаланса классов, отсутствие ablation study и неоднозначное описание гиперпараметров — комиссия не может воспроизвести эксперимент.
Примеры тем
- Адаптивная настройка скорости обучения в сверточных нейронных сетях для задач медицинской сегментации изображений
- Сравнительный анализ архитектур LSTM и Temporal Convolutional Network при прогнозировании временных рядов финансовых инструментов
- Методы аугментации данных для повышения обобщающей способности трансформерных моделей при малых обучающих выборках
- Применение графовых нейронных сетей к задаче предсказания молекулярных свойств органических соединений
- Детектирование аномалий в промышленных IoT-потоках с использованием автоэнкодеров на основе вариационного вывода
- Дистилляция знаний как способ сжатия больших языковых моделей для развёртывания на граничных устройствах
- Многозадачное обучение нейронных сетей для совместного решения задач именованного распознавания сущностей и классификации тональности
Что входит в работу
Введение с постановкой задачи, теоретическая глава по архитектурам, глава реализации с описанием датасета и кода, глава экспериментов с метриками, заключение с выводами о воспроизводимости.
Какие источники мы используем
Монографии Гудфеллоу, Бенджио и Курвилля «Deep Learning»; статьи из IEEE Transactions on Neural Networks, журнала «Neural Networks» (Elsevier); препринты arXiv cs.LG; база Semantic Scholar для актуальных ссылок 2022–2024 годов.
Частые вопросы
Нужно ли прикладывать исходный код к диссертации?
В большинстве технических вузов России код оформляется как приложение или ссылка на репозиторий — уточните регламент кафедры, поскольку требования существенно расходятся.
Какую метрику выбрать для задачи классификации с несбалансированными классами?
Accuracy в таком случае не информативна; стандартом считается F1-macro или area under ROC-curve, а при сильном дисбалансе — precision-recall AUC.
Достаточно ли использовать готовую библиотеку, например PyTorch, без собственных модификаций?
Нет: комиссия ожидает авторского вклада — модификации архитектуры, функции потерь или схемы обучения; простое применение стандартного пайплайна квалифицируется как курсовой, а не диссертационный уровень.
Как обосновать выбор гиперпараметров, не проводя многодневного grid search?
Достаточно Bayesian optimization на ограниченном пространстве или ссылки на перенос гиперпараметров из валидированной литературы с указанием схожести задач.