Расчет профилей научных публикаций играет ключевую роль в систематизации научных знаний и поддержке принятия научных решений. Предложен метод формирования профилей публикаций в области теории управления, основанный на интеграции анализа текстов и анализа сетей соавторства. Сначала описан базовый алгоритм, который позволяет анализировать тексты публикаций при помощи тематического классификатора, затем приведена его усовершенствованная версия, учитывающая сетевые связи с помощью эвристического подхода. Исследование методов с применением экспертных оценок и количественных метрик показало, что комбинирование текстовых и сетевых данных значительно повышает точность профилей публикаций. Проверка гипотез о взаимосвязи тематического сходства и сетевой близости публикаций показывает обоснованность предложенного подхода, а также позволяет определить направления дальнейших исследований.
Идентификаторы и классификаторы
Тематический анализ научных публикаций является важным инструментом для обоснования научных решений и выявления тенденций в различных областях знаний [1–6]. Одним из наиболее распространенных подходов к анализу текстов является тематическое моделирование [7], которое используется для расчета профилей научных публикаций. Однако когда аннотации или тексты публикаций ограничены по объему и (или) содержат неточные термины, использование только текстовой информации может привести к невысокой точности профилей.
Список литературы
1. Крыжановская С.Ю., Власов А.В., Еремеев М.А., Воронцов К.В. Полуавтоматическая суммаризация тематических подборок научных публикаций: задачи и подходы // Тезисы докладов 20-й Всероссийской конференции с международным участием “Математические методы распознавания образов”. - Москва, 2021. - С. 333-338.
2. Shibayama, S., Yin, D., Matsumoto, K. Measuring Novelty in Science with Word Embedding // PLoS ONE. - 2021. - No. 7. - P. 1-16. EDN: VWETSM
3. Yuan, W., Liu, P., Neubig, G. Can We Automate Scientific Reviewing? // Journal of Artificial Intelligence Research. - 2022. - No. 75. - P. 171-212. EDN: AAILJT
4. Cachola, I., Lo, K., Cohan, A., Weld, D. TLDR: Extreme Summarization of Scientific Documents // Findings of the Association for Computational Linguistics: EMNLP 2020. - 2020. - P. 4766-4777.
5. Bao, P., Hong, W., Li, X. Predicting Paper Acceptance via Interpretable Decision Sets. // In: Companion Proceedings of the Web Conference 2021 (WWW ’21). - New York: Association for Computing Machinery, 2021. - P. 461-467.
6. Kasanishi, T., Isonuma, M., Mori, J., Sakata, I. SciReviewGen: A Large-scale Dataset for Automatic Literature Review Generation. - arXiv:2305.15186, 2023. - P. 1-19. -. DOI: 10.48550/arXiv.2305.15186
7. Blei, D.M., Ng, A.Y., Jordan, M.I. Latent Dirichlet Allocation // Journal of Machine Learning Research. - 2003. - No. 3. - P. 993-1022.
8. Hasegawa, T., Arvidsson, H., Tudzarovski, N., et al. Edge-Based Graph Neural Networks for Cell-Graph Modeling and Prediction // Information Processing in Medical Imaging. - 2023. - Vol. 13939. - P. 265-277.
9. Xiong, C., Li, W., Liu, Y., Wang., M. Multi-Dimensional Edge Features Graph Neural Network on Few-Shot Image Classification // IEEE Signal Processing Letters. - 2021. - Vol. 28. - P. 573-577. EDN: PIGZUM
10. Faber, L., Lu, Y., Wattenhofer, R. Should Graph Neural Networks Use Features, Edges, Or Both? - arXiv: 2103.06857.arXiv, 2021. - P. 1-12. - DOI: https://doi.org/48550/arXiv.2103.06857.
11. Zhou, J., Cui, G., Hu, S., et al. Graph Neural Networks: A Review of Methods and Applications // AI Open. - 2020. - Vol. 1. - P. 57-81. EDN: KXNBDU
12. Kipf, T.N., Welling, M. Semi-Supervised Classification with Graph Convolutional Networks. - arXiv:1609.02907, 2017. - P. 1-14. -. DOI: 10.48550/arXiv.1609.02907
13. Губанов Д.А., Кузнецов О.П., Суховеров В.С., Чхартишвили А.Г. О построении профилей в тематическом пространстве теории управления // Материалы 9-й Международной конференции “Знания-Онтологии-Теории”. - Новосибирск, 2023. - С. 89-94. EDN: TTRMYR
14. Кузнецов О.П., Суховеров В.С. Онтологический подход к оценке тематики научного текста // Онтология проектирования. - 2016. - Т. 6, № 1. - С. 55-66. EDN: VXEGVJ
Выпуск
Другие статьи выпуска
The conference took place in November 2024. Scientific results presented by the conference participants are briefly described below. The conference included the following sections: general theoretical and methodological issues of security support; problems of economic and sociopolitical security support; problems of information security support; cybersecurity and security aspects in social networks; ecological and technogenic security; modeling and decision-making for complex systems security control; automatic systems and means of complex systems security support. Special attention was paid to the theoretical and applied problems of improving the effectiveness of Russia’s national economic, information, and technogenic security management processes. In total, 104 authors from 33 organizations presented 73 papers at the conference.
В математической теории игр для определения решения любой игры требуется установить, какое поведение игроков следует считать оптимальным. В бескоалиционных играх понятие оптимальности связано, например, с концепциями равновесия по Нэшу и равновесия по Бержу. Для оптимальности в теории кооперативных игр характерны условия индивидуальной и коллективной рациональности. В работе рассматривается кооперативная игра трех лиц в нормальной форме. Для этой игры вводится понятие коалиционной рациональности, которое сочетает в себе, кроме условий индивидуальной и коллективной рациональности, определенное объединение концепций равновесия по Нэшу и равновесия по Бержу. Для предложенного коалиционного равновесия игры устанавливаются достаточные условия существования. Кроме того, доказано существование такого решения в смешанных стратегиях при непрерывных функциях выигрыша и компактности множества стратегий.
Рассмотрена линейная дискретная стационарная система с мультипликативными шумами и управлением, находящаяся под влиянием внешнего возмущения из специального класса. Описание динамики выбранного объекта управления производится в пространстве состояний. Класс внешних возмущений содержит множество стационарных гауссовских последовательностей с ограниченным уровнем средней анизотропии. В качестве критерия качества управления выбрана анизотропийная норма замкнутой управлением системы. Требуется предложить схему управления на основе динамического звена, при замыкании которым анизотропийная норма была бы ограничена минимально возможным числом. На первом этапе решения задачи выписывается динамика управления и производится расширение рассматриваемого объекта. На основе критерия ограниченности анизотропийной нормы в терминах матричных неравенств выписываются достаточные условия существования решения выпуклой задачи оптимизации, в которой минимизируется верхняя граница анизотропийной нормы. В полученных неравенствах производится специальная замена переменных, чтобы избавиться от нелинейной зависимости по неизвестным матрицам регулятора. После линеаризующей обратимой замены переменных производится численное решение задачи оптимизации стандартными методами. На последнем этапе производится вычисление матриц регулятора в пространстве состояний, гарантирующего ограниченность анизотропийной нормы замкнутой этим регулятором системы.
Рассматривается проблема построения многокритериальных рейтингов, т. е. ранжирования объектов с учетом нескольких полезных качеств. Эта задача, которая относится к многокритериальной оптимизации, возникает также в ситуациях выбора управленческих решений при наличии альтернативных вариантов. Целью исследования была разработка метода решения этой проблемы, основанного на вычислении комплексных, т. е. обобщенных средних показателей качества, которые представляют собой многочлены из класса нормализованных средних функций. Последние относятся к строго монотонным сдвиг-инвариантным агрегирующим операторам. Такие многочлены кратко называются СМ. Например, взвешенные среднеарифметические показатели комплексного качества являются СМ степени 1. Предположительно, СМ обладают всеми свойствами таких показателей, которые существенны для построения многокритериальных рейтингов. В рамках представленного метода, который назван интерактивной аппроксимацией экспертных оценок, для вычисления комплексных показателей качества предлагается использовать СМ произвольной степени. Данный подход аналогичен экспертно-статистическому методу определения весов. При этом он обеспечивает наилучшую среднеквадратическую аппроксимацию любого числа экспертных оценок, поэтому в процессе экспертизы их неопределенность уменьшается, а взаимная согласованность повышается. В статье описываются СМ степеней 1, 2, 3. Метод интерактивной аппроксимации экспертных оценок проверяется для СМ степени 2 в рамках задачи о вычислении комплексного показателя качества смартфонов, ранжируемых по семи частным критериям.
Рассматриваются популярные симуляторы беспилотных транспортных средств с поддержкой пересеченной местности: Gazebo, CARLA, AirSim, NVIDIA Isaac Sim и Webots. Описаны их основные возможности, связанные с моделированием рельефа, физикой движения, поддержкой датчиков и погодных условий. Особое внимание уделено созданию реалистичных сцен пересеченной местности, сложности импорта реальных карт и взаимодействию с другими программными платформами, такими как Robot Operating System (ROS) и системы ИИ. Проанализированы основные минусы каждого симулятора: трудоемкость создания детализированных моделей рельефа и транспортных средств, высокая сложность интеграции реальных карт и зависимость от характеристик компьютерного оборудования. Также отмечается сложность взаимодействия с различным программным обеспечением и требования к знаниям в области 3D-моделирования. Симуляторы Gazebo и Webots выделяются хорошей интеграцией с ROS, но требуют больше усилий для работы с пересеченной местностью. CARLA и AirSim обеспечивают высококачественную визуализацию, но имеют более высокие требования к оборудованию и навыкам пользователя для создания ландшафтов. NVIDIA Isaac Sim выделяется поддержкой симуляций с использованием ИИ, но требует значительных ресурсов. Представлен опыт авторов в части отображения траекторий и ориентации транспортного средства в некоторых симуляторах.
Издательство
- Издательство
- ИПУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117997, ГСП-7, г. Москва, Профсоюзная, 65
- Юр. адрес
- 117997, г. Москва, Профсоюзная, 65
- ФИО
- Новиков Дмитрий Александрович (дирек)
- E-mail адрес
- dan@ipu.ru
- Контактный телефон
- +7 (495) 3348910
- Сайт
- https://www.ipu.ru/