Научный архив: статьи

Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.

В статье рассматривается влияние информационных технологий в области нейронных сетей, позволяющих облегчать выполнение задач с большим количеством переменных и факторов, на медицинскую сферу. Задачами, которые можно доверить автоматизированной системе, может быть диагностика, лечение и прогнозирование заболеваний. Анализируются принципы построения нейронных сетей, их использование в обработке медицинских данных, достижения в этой области, а также перспективы для преобразования и улучшения практики здравоохранения.

В статье подводятся итоги эксперимента по формированию доверия к процедуре семейной медиации - мирному разрешению семейных споров через внедрение технологии первой информационно-разъяснительной встречи. Проведен анализ статистики брачно-семейных отношений, количества разводов в России, Москве, странах мира за 5 лет, в том числе во время пандемии COVID-19, статистики исполнительных производств по семейным отношениям и порядку общения за несколько лет, а также социологических исследований 2022-2023 гг. Приведены результаты экспериментальной супервизии с использованием технологий двух нейронных сетей. Проанализированы особенности семейной медиации как наиболее эффективного внесудебного способа разрешения семейных споров. Показано, что достижению результата, мирного урегулирования семейных споров, способствовала экспериментальная разработка и реализация Центром медиации и социально-правовой помощи, совместно с управлениями социальной защиты населения города Москвы, новой для России процедуры - первой информационно-разъяснительной встречи. Приведены первые результаты: эффективность 98 %, почти все семейные пары по итогам встречи дали согласие на медиацию, и первые медиации успешно проведены. Выявлены одни из главных причин малой распространенности досудебного урегулирования семейных конфликтов - нормативная необязательность процедуры семейной медиации для семейных пар с несовершеннолетними детьми при подаче заявления на развод, неинформированность семейных пар о преимуществах и выгодах обращения к семейной медиации. Приведены аргументы, доказывающие, что первая информационно-разъяснительная встреча является успешной стратегией построения доверия и первым шагом к медиации и сохранению семьи, семейной идентичности, духовных ценностей для последующей передачи их следующему поколению в непрерывной цепи социокультурной идентичности

Современные технологические требования и развивающаяся городская инфраструктура ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций. Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с этим разрабатываются, реализуются, тестируются и внедряются системы, способные автоматически распознавать и классифицировать пожароопасные ситуации. Классификации пожароопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что способствуют к принятию более эффективных решений по предотвращению последствий пожаров и их признаков таких как, однократное кратковременное повышение температуры и уровня задымленности которое может указывать на выход из строя электрических компонентов, расположенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позволяет обнаруживать даже малейший признака пожара. В рамках данного исследования приводится алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. Приведено описание существующих классов пожароопасных ситуаций, а также критерии, по которым размечались данные по указанным классам. Проведено моделирование алгоритма на обучающей и тестовой выборках с приведением используемых параметров точности, формулой их расчетов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети. Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет для обучения и тестирования получены из реальных источников, содержащих информацию об обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный алгоритм обладает высокой точностью для предиктивной классификации пожароопасных ситуаций на реальных объектах.

Комплексирование нескольких моделей в одну систему технического зрения позволит решать более сложные и комплексные задачи. В частности, для мобильной робототехники и беспилотных летательных аппаратов (БЛА) является актуальной проблемой отсутствие наборов данных для различных условий. В работе в качестве решения данной проблемы предлагается комплексирование нескольких моделей: сегментации, сопровождения и классификации. Это позволит значительно повысить качество решения сложных задач без дополнительного обучения. Модель сегментации позволяет выделять произвольные объекты из кадров, поэтому ее можно использовать в недетерминированных и динамических средах. Модель классификации позволяет определить необходимые для навигации объекты, которые затем сопровождаются с помощью третей модели. В работе подробно описан алгоритм комплексирования моделей. Ключевым элементом в алгоритме является коррекция предсказаний моделей, позволяющая достаточно надежно сегментировать и сопровождать различные объекты. Процедура коррекции предсказаний моделей решает следующие задачи: добавление новых объектов для сопровождения, валидация сегментированных масок объектов и уточнение сопровождаемых масок. Универсальность данного решения подтверждается работой в сложных условиях, на которых не обучали модели, например, подводная съемка или изображения с БЛА. Проведено экспериментальное исследование каждой из моделей в условиях открытой местности и в помещении. Наборы данных включали сцены актуальные для мобильной робототехники. В частности, в сценах присутствовали движущиеся объекты (человек, автомобиль) и возможные преграды на пути робота. Для большинства классов метрики качества сегментации превышали 80%. Основные ошибки связаны с размерами объектов. Проведенные эксперименты наглядно демонстрируют универсальность данного решения без дополнительного обучения моделей. Дополнительно проведено исследование быстродействия на персональном компьютере с различными входными параметрами и разрешением. Увеличение количества моделей значительно повышает вычислительную нагрузку и не достигает реального времени. Поэтому одним из направления дальнейших исследований является повышение быстродействия системы.

Работа посвящена проблеме безопасности систем распознавания изображений, основанных на использовании нейронных сетей. Подобные системы применяются в различных областях и крайне важно обеспечить их безопасность от атак, направленных на методы искусственного интеллекта. Рассмотрены сверточная нейронная сеть ResNet18, проверочное множество ImageNet для распознавания объектов на изображении и отнесения его к классу и состязательные атаки, которые направлены на изменение изображения, обрабатываемые данной нейронной сетью. Сверточные нейронные сети детектируют и сегментируют объекты, которые находятся на изображениях. Атака совершалась на этапе детектирования для того, чтобы не распознавалось присутствие объектов на изображении, а также на этапе сегментации, измененное изображение относило распознанный объект к другому классу. Реализована серия экспериментов, которая показала, как состязательная атака изменяет разные изображения. Для этого взяты изображения с животными и на них совершена состязательная атака, анализ результатов позволил определить количество итераций, необходимых для совершения успешной атаки. Также проведено сравнение исходных изображений с их модифицированными в ходе атаки версиями.

В работе рассмотрены методы определения авторства естественных и искусственно-сгенерированных текстов, важных в контексте кибербезопасности и защиты интеллектуальной собственности с целью предотвращения дезинформации и мошенничества. Использование методов определения автора текста обосновано выводами об эффективности рассмотренных в прошлых исследованиях fastText и метода опорных векторов (SVM). Алгоритм отбора признаков выбран на основе сравнения пяти различных методов - генетического алгоритма, прямого и обратного последовательных методов, регуляризационного отбора и метода Шепли. Рассмотренные алгоритмы отбора включают эвристические методы, элементы теории игр и итерационные алгоритмы. Наиболее эффективным методом признан алгоритм, основанный на регуляризации, в то время как методы, основанные на полном переборе, признаны неэффективными для любого множества авторов. Точность отбора на основе регуляризации и SVM в среднем составила 77 %, что превосходит другие методы от 3 до 10 % при идентичном количестве признаков. При тех же задачах средняя точность fastText - 84 %. Было проведено исследование, направленное на устойчивость разработанного подхода к генеративным образцам. SVM оказался более устойчив к запутыванию модели. Максимальная потеря точности для fastText составила 16 %, а для SVM - 12 %.

Современные подходы к решению задачи управления шагающими роботами с вращательными звеньями представляют собой разрозненные алгоритмы, строящиеся либо на готовой локомоторной программе с дальнейшей ее адаптацией, либо на сложных кинематико-динамических моделях, нуждающихся в обширных знаниях о динамике системы и окружающей среды, что в прикладных задачах зачастую является невыполнимым. Так же, используемые подходы жестко связаны с конфигурацией шагающего робота, что делает невозможным применение метода в приложениях с иной конфигурацией (другим количеством и типом конечностей). В данной статье предлагается универсальный подход к управлению движением шагающих роботов, основанный на методологии обучения с подкреплением. Рассматривается математическая модель системы управления, основанная на конечных дискретных марковских процессах в контексте методов обучения с подкреплением. Ставится задача построения универсальной и адаптивной системы управления, способной осуществить поиск оптимальной стратегии для реализации локомоторной программы в заранее неизвестной среде, путем непрерывного взаимодействия. К результатам, отличающимся научной новизной, следует отнести математическую модель данной системы, позволяющей описать процесс ее функционирования с помощью марковских цепей. Отличием от существующих аналогов является унификация описания робота.

В статье представлен метод классификации изображений с использованием, помимо базовой нейронной сети, дополнительной, способной адаптивно концентрироваться на классифицируемом объекте изображения. Задача дополнительной сети является задачей о контекстном многоруком бандите и сводится к предсказанию такой области на исходном изображении, при вырезании которой в процессе классификации возрастет уверенность базовой нейронной сети в принадлежности объекта на изображении правильному классу. Обучение дополнительной сети происходит с помощью методов обучения с подкреплением и стратегий достижения компромисса между эксплуатацией и исследованием при выборе действий для решения задачи о контекстном многоруком бандите. На подмножестве набора данных ImageNet-1K проведены различные эксперименты по выбору архитектуры нейронной сети, алгоритма обучения с подкреплением и стратегии исследования при обучении. Рассмотрены такие алгоритмы обучения с подкреплением, как DQN, REINFORCE и A2C, и такие стратегии исследования, как -жадная, -softmax, -decay-softmax и метод UCB1. Большое внимание уделено описанию проведенных экспериментов и обоснованию полученных результатов. Предложены варианты применения разработанного метода, демонстрирующие увеличение точности классификации изображений по сравнению с базовой моделью ResNet. Дополнительно рассмотрен вопрос о вычислительной сложности данного метода. Дальнейшие исследования могут быть направлены на обучение агента на изображениях, не задействованных при обучении сети ResNet.

Разработан метод автоматической локализации ошибок времени выполнения с помощью нейронной сети по данным трассировки осуществления функций программы. Метод сопоставляет каждой функции вероятность содержания ошибки, которая считается пропорциональной степени влияния значений параметров функции на результат выполнения программы. Влияние параметров определяется численной характеристикой (весом), вычисляемой по алгоритму Хашема. Метод применялся для отладки нескольких программ, различных по типам и причинам возникновения ошибок времени выполнения. Ошибки были расположены во вложенных функциях и проявлялись при определенных значениях входных данных. В каждой программе проведено сопоставление наиболее вероятных мест возникновения ошибок, которые определил метод, с их реальными местоположениями. Особенностями разработанного метода являются возможность работы с вложенными функциями, локализация множественных ошибок, а также ошибок, у которых место возникновения и место проявления в программе не совпадают. Во всех случаях параметры, содержащие ошибку, имели больший вес в сравнении с остальными, даже если ошибок в программе было несколько. При этом метод выделяет в программе полный путь ошибки, включающий в себя все параметры, связанные с ее возникновением. Благодаря этому с помощью предложенного метода можно определять положение логических ошибок в программах. Метод может применяться для отладки как программного, так и аппаратного обеспечения технических систем, поскольку логика его работы не зависит от источника исходных данных.

Проведено исследование развития региональной экономики Российской Федерации в ракурсе технологического суверенитета с позиций научно-исследовательской деятельности, инновационной и цифровой трансформации реального сектора экономики. Объектами исследования являлись 85 регионов Российской Федерации, аттестуемых девятью показателями, выбранными с сайта Росстата согласно авторскому представлению. Многофакторная задача, описывающая состояние экономики регионов России, решена с помощью продуктивного метода кластерного анализа на основании нейронных сетей, являющих собой важный элемент искусственного интеллекта и воплощенных на платформе аналитического программного пакета Loginom. В результате нейросетевого кластерного анализа регионы РФ сгруппировались по шести кластерным образованиям. Оценено качество разграничения регионов на кластеры - кластерного решения. Показана независимость кластерного решения от нахождения регионов России в составе федеральных округов Российской Федерации. Выявлен различный уровень современного развития региональной экономики по множеству рассматриваемых индикаторов в масштабе кластеров. Проведено ранжирование результатов исследования в аспекте выравнивания несоразмерности в развитии инновационной деятельности регионов Российской Федерации. С экономической точки зрения проанализированы особенности инновационного развития регионов РФ с целью привлечения имеющихся резервов для активизации в усилении технологического суверенитета страны. Результаты работы могут оказать помощь при выстраивании стратегических направлений, устремленных на стимулирование инновационной составляющей в экономике регионов России, повышение сбалансированности развития региональной экономики в фокусе технологического суверенитета в обстановке больших вызовов внешних факторов.

Статья посвящена исследованию механизма правовой защиты результатов интеллектуальной деятельности, созданных искусственным интеллектом. Авторами проанализировано действующее законодательство в данной сфере, рассмотрены режимы правового регулирования права интеллектуальной собственности, а также вопросы охраны результатов интеллектуальной деятельности, созданной искусственным интеллектом или с его значительным участием. В целях повышения эффективности процедуры юридической регламентации отдельных институтов интеллектуальной собственности предложены поправки в действующее законодательство.