Семантические технологии и машинное обучение для решения задач мониторинга, контроля, прогнозирования и верификации в системах обработки потоковых данных

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 22-11-00323

НазваниеСемантические технологии и машинное обучение для решения задач мониторинга, контроля, прогнозирования и верификации в системах обработки потоковых данных

Руководитель Кузнецов Сергей Олегович, Доктор физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет "Высшая школа экономики" , г Москва

Конкурс №68 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-201 - Искусственный интеллект и принятие решений

Ключевые слова Семантическая технология, онтология, дескриптивная логика, Datalog, представление знаний, временная логика, обработка потоковых данных, реагирующая система, система обработки потоковых данных, теория автоматов, формальная семантика, графы знаний, машинное обучение на потоковых данных.

Код ГРНТИ16.31.21, 20.53.19, 27.03.19

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
В мире сетевых технологий сенсорные системы имеют огромное значение во всех сферах деятельности. Малейшие сбои или ошибки в управлении энергетическими, телекоммуникационными, транспортными потоками грозят чрезвычайно тяжелыми последствиями. Наиболее часто причиной таких ошибок является человеческий фактор. Исправить это положение вещей можно лишь за счет полностью автоматического мониторинга и управления транспортными потоками, системами связи и энергетики. «Умные светофоры» следят за транспортными потоками и регулируют длительность световых сигналов, своевременно обнаруживают опасные события или тенденции образования дорожных пробок. В современных контентно-ориентированных сетях контроллеры каналов связи следят за потоком данных и выбирают стратегии их передачи и хранения с учетом показателей спроса. В сетях энергоснабжения отслеживается нагрузка, и при обнаружении тревожных признаков выдаются предупреждения и автоматически предпринимаются корректирующие действия. Решающее значение в этих условиях имеет не только исправное функционирование отдельных элементов управления, но их согласованная работа в масштабах всей управляемой системы. Потребность в мониторинге и контроле можно удовлетворять по-разному, но в любом случае чрезвычайно важно, чтобы поведение построенного контролера было постижимо и объяснимо. В этом проекте мы предлагаем автоматизировать разработку и применение контроллеров, опираясь на математические методы и инструментальные средства, позволяющие формулировать на языке, понятном для пользователя, политику управления устройствами, проверять соответствие наблюдаемого поведения системы этой политике, и предоставлять оператору необходимые сведения для участия в управлении. Это весьма амбициозная задача, решение которой неизбежно требует комплексного подхода с привлечением знаний и методов из разных областей математики и информатики. При создании и исследовании некоторых типов информационных систем широко применяется следующая стратегия. Вначале строится математическая модель проектируемой системы, и ее поведение анализируется при помощи алгебраических и логических методов, проверяющих соответствие вычислений модели требованиям правильного поведения (спецификации). После доказательства корректности поведения модели проводится ее поэтапное уточнение, которое сопровождается проверкой сохранения требований правильного поведения на каждом этапе конкретизации модели. Так можно построить информационную систему (программу, сетевой протокол, проект микросхемы), правильность вычислений которой обоснована строго математически. Но для систем обработки потоков числовых данных в оперативном режиме этот подход сталкивается с принципиальной трудностью. Поведение системы описывается в терминах событий, доступных для наблюдения человеку-оператору, а вычисления системы представляют собой обработку потоков числовых данных (показаний датчиков, сигналов управления, команд операторов). Перевод понятий, в которых определяются наблюдаемые события и описываются особенности поведения реагирующих систем, в строгие математические утверждения относительно количественных показателей их вычислений, является чрезвычайно трудной задачей, решение которой сопряжено с многочисленными ошибками интерпретации терминов и требует постоянного взаимодействия с экспертами. По нашему мнению, актуальной является задача разработки подобной технологии для проектирования и анализа поведения моделей реагирующих систем управления, обрабатывающих потоки числовых данных, на основании спецификаций их поведения. В этом проекте мы планируем создать интерфейс, позволяющий автоматически интерпретировать и верифицировать спецификации поведения реагирующих систем управления, выраженные в терминах качественных показателей поведения систем (на логических языках высокого уровня), на математических моделях, в которых вычисления проявляются в преобразованиях потоков числовых данных и сигналов управления (моделях низкого уровня). Такой интерфейс откроет новые пути привлечения в эту область программной инженерии большого арсенала математических методов и программно-инструментальных средств, созданного в теории программировании в последние десятилетия, и успешно применяемого на практике для проектирования сложных информационных систем. Исследования в нашем проекте будут проводиться на стыке нескольких смежных областей математики и информатики: математическая логика, теория автоматов, теория сложности вычислений, верификация моделей вычислений, теория баз данных, методы представления и обработки знаний в системах искусственного интеллекта, машинное обучение. Чтобы достичь заявленных целей потребуется тесное взаимодействие между экспертами во всех перечисленных областях, и в этом проекте нам удалось собрать такую команду специалистов. При выполнении проекта будут созданы новые математические теории и методы, проведен сравнительный анализ выразительных возможностей новых логических языков и получены оценки сложности задач семантического анализа, построены алгоритмы решения этих задач в новых моделях вычислений, и реализованы экспериментальные прототипы. Для достижения намеченных целей нам предстоит решить следующие задачи: (1) Разработать семантически насыщенную формальную модель мониторов и контроллеров, оперирующих с датчиками и сенсорами. Это будет двухуровневая модель. На первом уровне представляется многомерное пространство показаний датчиков, привязанных к шкале времени, а также метаданные об этих устройствах. Это представление должно поддерживать асинхронные и синхронные настройки в семантиках, определяемых в терминах событий или состояний. Будут особо выделены потоковые постановки задач, когда для эффективности мониторинга данные доступны только в пределах ограниченного «окна». На втором уровне модели описывается поведение реагирующих систем управления, на вход которых поступают (возможно, неполные и частично правильные) потоки данных измерений, а на выходе формируются последовательности управляющих сигналов. Поведение таких систем будет описываться (i) в терминах состояний управления и переходов (операционная семантика модели), и (ii) с учетом только тех событий, которые описаны на первом уровне модели (декларативная семантика модели). Так мы создадим совершенно новую комбинированную модель сенсорных мониторов и контроллеров, в которой система управления автоматного типа взаимодействует со средой через интерфейс доступа к данным, представленный в онтологиях. Чтобы справиться с неизбежной неполнотой и зашумленностью данных, будут развиты специальные методы машинного обучения и глубокого анализа данных. Чтобы пользователи могли иметь гибкий и развитый язык запросов, мы предлагаем представлять базовые знания в форме онтологий; в этих логических теориях наблюдаемые события описываются в терминах темпоральных последовательностей показаний датчиков, сигналов управления и пр. Знания,представленные в онтологиях, будут оказывать влияние на переходы в моделях систем управления, а также учитываться при решении задач мониторинга, поиска ответов на запросы и прогнозирования поведения. Для решения поставленной задачи естественно воспользоваться парадигмой онтологического доступа к данным (Ontology Based Data Access, OBDA), в которой к стандартным средствам обращения с базами данных добавлены возможности эффективного логического вывода из аксиом онтологий, позволяющие значительно упростить запросы и интегрировать различные типы данных. К сожалению, существующие языки OBDA еще не имеют выразительных и операционных средств, необходимых для определения сложных событий в терминах числовых показаний датчиков. Таким образом, возникает необходимость исследовать и решить вторую задачу проекта. (2) Вторым направлением исследований проекта является разработка теории OBDA для работы с многомерными числовыми данными. Эта теория должна включать языки описания онтологий и запросов. Главная трудность, которую предстоит преодолеть, обусловлена тем обстоятельством, что высокие выразительные способности таких языков неизбежно сопровождаются большой вычислительной сложностью получения ответов на запросы, вследствие чего такие решения оказываются практически неприемлемыми. Здесь важно суметь отыскать такой уровень абстракции в теории OBDA, для которого вычислительная сложность и выразительные возможности языков хорошо сбалансированы в задачах ретроспективного и потокового доступа к данным. (3) Третья задача проекта – совместить язык описания онтологий и запросов с языками представления политик поведения на основе правил; последние должны быть просты для понимания и для построения автоматных моделей систем управления, а также учитывать зашумленность данных. Языки описания онтологий и запросов служат средством для выражения базовых знаний о предметных областях и получения ответов на вопросы, а правила политик станут связующим звеном, которое на основании совокупности ответов на запросы позволит получать сведения о состоянии систем и окружающей ее среды, а также принимать решения о приемлемости возможных управляющих действий. Однако ни один из существующих подходов, позволяющих совмещать правила политик поведения и онтологии, не предрасположен к привязке данных к шкале времени, а также к учету зашумленности и противоречивости данных. Например, в популярном семействе языков Datalog± отсутствуют функции, которые нужны для управления окнами, темпоральные операторы, механизмы управления зашумленными и противоречивыми данными, обработки исключений. Необходимо исследовать возможные темпоральные и метрические расширения Datalog±, понять их выразительные возможности и оценить сложность их использования, а также выбрать ограничения, при которых соответствующие фрагменты языка будут иметь приемлемые вычислительные свойства и достаточные способности для описания допустимых сценариев поведения систем управления. При этом представление политик поведения, должно позволять пользователю понимать заключения, получаемые по правилам этих политик, чтобы эффективно проводить их обновление. Особое внимание будет уделено задаче проверки непротиворечивости политик, т.е. возможности построения модели системы управления, удовлетворяющей требованиям заданной политики поведения. (4) Четвертая задача проекта – разработать методы верификации комбинированных моделей систем обработки потоковых данных, работающих на двух уровнях. На внутреннем уровне их поведение определяется в терминах временных событий, запросов и откликов, содержательный смысл которых понятен человеку-оператору, а на внешнем уровне вычисление модели – это преобразование потоков числовых данных, привязанных к шкале времени, в потоки сигналов управления. Взаимосвязь между этими двумя уровнями должна быть обеспечена языком онтологий и методами обработки запросов. Основная задача здесь состоит в том, чтобы создать, основываясь на семействе темпоральных логик, язык спецификаций поведения комбинированных моделей и разработать соответствующие этому языку эффективные алгоритмы верификации моделей систем обработки потоковых данных. (5) Мы планируем испытать разработанные технологии и созданные на их основе прототипы инструментальных средств в реальных сценариях их возможного применения, воспользовавшись примерами, предоставленными нашими международными партнерами: (i) мониторинг дорожного движения; (ii) мониторинг химических процессов; (iii) мониторинг износа оборудования. Мы также проверим предложенные методы для системы цифровой обработки сигналов, основанный на двойственном подходе к локализации и классификации: обработка сигналов датчиков для газотурбинных двигателей. В проекте предложена комплексная программа научных исследований, требующая тесного сотрудничества и взаимодействия специалистов в различных областях информатики и математики: логики представления знаний, модели вычислений, искусственный интеллект. Только такой совместный подход, предусматривающий согласованное решение поставленных задач с применением разнородных математических моделей и методов, может привести к успеху. Мы убеждены, что международная исследовательская группа, собранная для выполнения этого проекта, представляет собой идеальное сочетание опытных ученых с мировым именем и молодых талантливых исследователей, для которых этот проект может стать большим шагом в их научной деятельности.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. М. Фортин, Б. Конев, В. Рыжиков, Ю. Саватеев, Ф. Уолтер, М. Захарьящев Reverse Engineering of Temporal Queries with and without LTL Ontologies: First Steps Ceur WP, Proceedings of the 35th International Workshop on Description Logics (DL 2022) co-located with Federated Logic Conference (FLoC 2022), Haifa, Israel, August 7th to 10th, 2022, Ceur WP, Vol. 3263, pages 1-7 (год публикации - 2022)

2. Э.Ж. Паракал, С.О. Кузнецов Intrinsically Interpretable Document Classification via Concept Lattices Ceur WP, Proceedings of 10th international workshop "What Formal Concept Analysis Can Do for Artificial Intelligencee?", FCA4AI 2022, co-located with IJCAI-ECAI 2022, Vienna, Austria, July 23 2022, CEUR WP, Vol. 3233, pp. 9-22 (год публикации - 2022)

3. А. Артале, Р. Кончаков, А. Ковтунова, В. Рыжиков, Ф. Уолтер, М. Захарьящев First-Order Rewritability and Complexity of Two-Dimensional Temporal Ontology-Mediated Queries Journal of Artificial Intelligence Research, Journal of Artificial Intelligence Research 75 (2022) 1223-1291 (год публикации - 2022)

4. Е. Заворина, И. Макаров Depression Detection by Person’s Voice Springer, Proceedings of the 10th International Conference on Analysis of Images, Social Networks and Texts, revised papers. Lecture Notes in Computer Science, vol 13217. Springer, Cham, pp. 250-262 (год публикации - 2022)
10.1007/978-3-031-16500-9_21

5. В. Сопов, И. Макаров Transformer-Based Deep Reinforcement Learning in VizDoom Springer, Recent Trends in Analysis of Images, Social Networks and Texts, revised papers. Communications in Computer and Information Science, vol 1573. Springer, Cham, pp. 96-110 (год публикации - 2022)
10.1007/978-3-031-15168-2_9

6. М. Голядкин, В. Поздняков, Л. Жуков, И. Макаров SensorSCAN: Self-supervised learning and deep clustering for fault diagnosis in chemical processes Artificial Intelligence, Elsevier, Golyadkin, M., Pozdnyakov, V., Zhukov, L. and Makarov, I., 2023. SensorSCAN: Self-supervised learning and deep clustering for fault diagnosis in chemical processes. Artificial Intelligence, 324, p.104012. (год публикации - 2023)
10.1016/j.artint.2023.104012

7. Д. Жевненко, М. Казанцев, И. Макаро Interaction models for remaining useful lifetime estimation Journal of Industrial Information Integration, Elsevier, Zhevnenko, D., Kazantsev, M. and Makarov, I., 2023. Interaction models for remaining useful lifetime estimation. Journal of Industrial Information Integration, 33, p.100444. (год публикации - 2023)
10.1016/j.jii.2023.100444

8. С.О. Кузнецов, Э.Дж. Паракал Explainable Document Classification via Pattern Structures Proceedings of IITI’23 conference, Springer, Kuznetsov, S.O. and Parakal, E.G., 2023, September. Explainable Document Classification via Pattern Structures. In International Conference on Intelligent Information Technologies for Industry (pp. 423-434). Cham: Springer Nature Switzerland. (год публикации - 2023)
10.1007/978-3-031-43789-2_39

9. Е. Дудырев, С.О. Кузнецов, А. Наполи Description Quivers for Compact Representation of Concept Lattices and Ensembles of Decision Trees Proceedings of ICFCA'23 conference, Springer, Dudyrev, E., Kuznetsov, S.O., Napoli, A. (2023). Description Quivers for Compact Representation of Concept Lattices and Ensembles of Decision Trees. In: Formal Concept Analysis. ICFCA 2023. Lecture Notes in Computer Science(), vol 13934. Springer, Cham (год публикации - 2023)
10.1007/978-3-031-35949-1_9

10. С. Насцименто, А. Мартинс, П. Релвас, Х.Ф. Луис, Б. Миркин Piece-wise constant cluster modelling of dynamics of upwelling patterns Expert Systems, Wiley Online, Nascimento, S., Martins, A., Relvas, P., Luís, J.F. and Mirkin, B., 2023. Piece‐wise constant cluster modelling of dynamics of upwelling patterns. Expert Systems, 40(10), p.e13446. (год публикации - 2023)
10.1111/exsy.13446

11. А. Бузмаков, Е. Дудырев, С.О. Кузнецов, Т. Махалова, А. Наполи Experimental Study of Concise Representations of Concepts and Dependencies Ceur WP, Proceedings of the 16th International Conference on Concept Lattices and Their Applications (CLA'22),Tallinn University of Technology, Tallinn, Estonia, June 20-22, 2022, Ceur WP, pp. 119-134 (год публикации - 2023)

12. Кузнецов С.О. Clustering with Axialities Ceur WS, Kuznetsov, Sergei O. "Clustering with Axialities” (FCA4AI 2024)." (2025). (год публикации - 2025)

13. МИРКИН Б.Г., ПАРИНОВ А.А. АГЛОМЕРАТИВНЫЙ КОНСЕНСУСНЫЙ КЛАСТЕР-АНАЛИЗ С АВТОМАТИЧЕСКИМ ВЫБОРОМ ЧИСЛА КЛАСТЕРОВ Автоматика и телемеханика, Mirkin B.G., Parinov A.A. Agglomerate Consensus Cluster Analysis with Automatic Selection of the Number of Clusters // Avtomatika i telemehanika. - 2024. - N. 3. - P. 6-22. doi: 10.31857/S0005231024030014 (год публикации - 2024)
10.31857/S0005231024030014

14. Герасёв М., Киселёв Д., Бекетов М., Макаро И. VIA AI: Reliable Deep Reinforcement Learning for Traffic Signal Control IEEE, Gerasyov M., Kiselev D., Beketov M., Makarov I. VIA AI: Reliable Deep Reinforcement Learning for Traffic Signal Control. // In Proceedings of IEEE ICDM conference, 2024 (год публикации - 2024)

15. Гункин Г., Макаров И. Gesture Recognition on Video Data Springer, Gunkin, G., Makarov, I. (2024). Gesture Recognition on Video Data. In: Ignatov, D.I., et al. Recent Trends in Analysis of Images, Social Networks and Texts. AIST 2023. Communications in Computer and Information Science, vol 1905. Springer, Cham. https://doi.org/10.1007/978-3-031-67008-4_14 (год публикации - 2024)
10.1007/978-3-031-67008-4_14

16. Хлусов П., Макаров И. Semantic-Aware GAN Manipulations for Human Face Editing Springer, Khlusov, P., Makarov, I. (2024). Semantic-Aware GAN Manipulations for Human Face Editing. In: Ignatov, D.I., et al. Recent Trends in Analysis of Images, Social Networks and Texts. AIST 2023. Communications in Computer and Information Science, vol 1905. Springer, Cham. https://doi.org/10.1007/978-3-031-67008-4_15 (год публикации - 2024)
10.1007/978-3-031-67008-4_15

17. Фоняков М., Бардуков А., Макаров И. Application of Multimodal Machine Learning for Image Recommendation Systems Springer, Foniakov, M., Bardukov, A., Makarov, I. (2024). Application of Multimodal Machine Learning for Image Recommendation Systems. In: Ignatov, D.I., et al. Recent Trends in Analysis of Images, Social Networks and Texts. AIST 2023. Communications in Computer and Information Science, vol 1905. Springer, Cham. https://doi.org/10.1007/978-3-031-67008-4_18 (год публикации - 2024)
10.1007/978-3-031-67008-4_18

18. Паракал Э.Дж., Дудырев Е., Кузнецов С.О., Наполи А. Document Classification via Stable Graph Patterns and Conceptual AMR Graphs Springer, Parakal, E. G., Dudyrev, E., Kuznetsov, S. O., & Napoli, A. (2024, August). Document Classification via Stable Graph Patterns and Conceptual AMR Graphs. In International Joint Conference on Conceptual Knowledge Structures (pp. 286-301). Cham: Springer Nature Switzerland. (год публикации - 2024)
10.1007/978-3-031-67868-4_19

19. Голядкин М., Сараев С., Макаров И. Benchmarking and Data Synthesis for Colorization of Manga Sequential Pages for Augmented Reality IEEE, Maksim Golyadkin, Sergey Saraev, Ilya Makarov. Benchmarking and Data Synthesis for Colorization of Manga Sequential Pages for Augmented Reality. // in Proceedings of IEEE International Symposium on Mixed and Augmented Reality (ISMAR'24), 2024. (год публикации - 2024)

20. Зуева М.М., Кузнецов С.О. Interestingness Indices for Building Neural Networks Based on Concept Lattices Springer, Zueva, M. M., & Kuznetsov, S. O. (2024). Interestingness Indices for Building Neural Networks Based on Concept Lattices. Automation and Remote Control, 85(3), 272-278. (год публикации - 2024)
10.31857/S0005117924030057

21. Кузнецов С.О., Громов В.А., Бородин Н.С., Дивавин А.М. Formal concept analysis for evaluating intrinsic dimension of a natural language Springer, Kuznetsov, S.O., Gromov, V.A., Borodin, N.S., Divavin, A.M. (2023). Formal Concept Analysis for Evaluating Intrinsic Dimension of a Natural Language. In: Maji, P., Huang, T., Pal, N.R., Chaudhury, S., De, R.K. (eds) Pattern Recognition and Machine Intelligence. PReMI 2023. Lecture Notes in Computer Science, vol 14301. Springer, Cham. https://doi.org/10.1007/978-3-031-45170-6_34 (год публикации - 2023)
10.1007/978-3-031-45170-6_34

22. Кузнецов С.О., Зуева М. Training Neural Networks Based on Formal Concepts Ceur WS, Kuznetsov, Sergei O., Zueva, Maria. "Training Neural Networks Based on Formal Concepts?”(FCA4AI 2024)." (2025). (год публикации - 2024)

23. Пашков Н., Макаров И. News Sentiment and Company Reports Impact on Stock Returns IEEE, N. Pashkov and I. Makarov, "News Sentiment and Company Reports Impact on Stock Returns," 2024 IEEE 28th International Conference on Intelligent Engineering Systems (INES), Gammarth, Tunisia, 2024, pp. 000153-000158, doi: 10.1109/INES63318.2024.10629134. (год публикации - 2024)
10.1109/INES63318.2024.10629134

24. Ахмад Ахмад, Коваленко А., Макаров И. Anomaly Detection using Graph-based Autoencoder with Graph Structure Learning Layer IEEE, Ahmad Ahmad, Alexander Kovalenko, Ilya Makarov. Anomaly Detection using Graph-based Autoencoder with Graph Structure Learning Layer. // in Proceedings of IEEE INTERNATIONAL SYMPOSIUM ON LOGISTICS AND INDUSTRIAL INFORMATICS: LINDI 2024. (год публикации - 2024)

Публикации

12. Кузнецов С.О. Clustering with Axialities Ceur WS, Kuznetsov, Sergei O. "Clustering with Axialities” (FCA4AI 2024)." (2025). (год публикации - 2025)

Аннотация результатов, полученных в 2024 году
Предложена система классификации документов на основе узорных структур в AMR-графах. Система обучается на документах, выявляя характерные графовые паттерны для предсказания класса. Эксперименты на новостных статьях и спортивных новостях показали высокую производительность, особенно на спортивных новостях. Простые штрафы часто эффективнее сложных, а качество текста существенно влияет на производительность. Преимущество системы — интерпретируемость результатов через графовые паттерны и промежуточные объяснения. https://link.springer.com/chapter/10.1007/978-3-031-67868-4_19 Предложена кластеризация на основе 𝜀-ядер, аксиальностей и аксиальных понятий. Аксиальности обеспечивают связь данных, позволяя вычислять кластеры в потоковых данных как устойчивые понятия. Метод эффективен для сложных данных, таких как неразделимые гиперплоскостями или динамические объекты, и позволяет выявлять закономерности, недоступные стандартным подходам. https://fca4ai.hse.ru/mirror/pubs/share/direct/974862483.pdf#page=59 Представлены результаты исследований, показывающих, что средневзвешенный критерий улучшает консенсусную кластеризацию больших потоковых данных. Мы предложили новую модель, основанную на проективном расстоянии между разбиениями данных, измеряемом как разница между элементами матриц. При достаточном количестве разбиений наш метод точно определяет оптимальное разбиение и количество кластеров. https://journals.rcsi.science/0005-2310/article/view/256150 Исследована мультимодальная рекомендательная система для изображений с использованием их текстовых описаний. На основе изображений Яндекса, обработанных моделями CLIP и BERT, протестированы различные алгоритмы машинного обучения, при этом CatBoostClassifier показал лучшие результаты. Эксперименты на датасетах Яндекс и Flickr продемонстрировали превосходство мультимодальной системы над системами, использующими только изображения или тексты. Для улучшения предлагается добавить более детализированные текстовые данные и дополнительные источники информации. https://link.springer.com/chapter/10.1007/978-3-031-67008-4_18 Предложен новый метод распознавания жестов рук, объединяющий текстовые и визуальные данные с помощью ИИ. Система обеспечивает высокую точность и устойчивость к освещению, анализируя последовательности изображений в фиксированном временном окне. Эксперименты подтвердили превосходство метода над существующими, демонстрируя высокую скорость распознавания и новые возможности в управлении устройствами и VR. https://link.springer.com/chapter/10.1007/978-3-031-67008-4_14 Исследование рассматривает методы изменения изображений лиц с использованием StyleGAN2, сравнивая три подхода к изменению пола и возраста без размеченных данных. Разработан новый метод, повышающий качество изображений при значительных изменениях через преобразование в расширенное пространство и применение контролера качества, а также улучшена структура модели для уменьшения артефактов. Эксперименты показали, что метод позволяет эффективно менять общие и локальные черты лица, сохраняя высокое качество. Расширенное пространство способствует улучшению качества и снижению ошибок. https://link.springer.com/chapter/10.1007/978-3-031-67008-4_15 Предложен новый метод раскрашивания иллюстраций в AR, основанный на диффузионных моделях для синтеза данных, точно соответствующих фотографиям иллюстраций. Используя реальные фотографии и синтетический набор данных, создан комплексный бенчмарк для оценки моделей колоризации в AR. Доменная адаптация показала улучшение качества. https://ieeexplore.ieee.org/abstract/document/10765332 Разработан новый метод обнаружения аномалий в многомерных временных рядах промышленных систем. Модель на основе графового автоэнкодера динамически учитывает связи между переменными для точного выявления отклонений.Тестирование на данных систем водоснабжения и очистки воды показало высокую точность и быстрое обнаружение аномалий. Метод повышает безопасность и эффективность промышленных систем. в процессе публикации Анализ почти 300,000 финансовых отчетов с использованием методов обработки данных и машинного обучения показал, что эмоциональное содержание (например, "Слабость" и "Преуменьшение") влияет на будущую доходность акций. Модели, учитывающие эмоциональные признаки, оказались более точными, чем модели, основанные только на исторических данных. Исследование подтверждает, что анализ текстовых данных может улучшить прогнозирование доходности акций. https://ieeexplore.ieee.org/abstract/document/10629134 Разработана AI-система для управления светофорами, оптимизирующая трафик на перекрестках через анализ данных о транспорте. Система снижает время ожидания, адаптируясь к текущему трафику, что улучшает безопасность и эффективность движения. в процессе публикации Выбор индекса интересности критически влияет на эффективность нейронной сети, основанной на решетке формальных понятий. Δ-устойчивость превзошла другие индексы на четырех наборах данных UCI, показав наилучшие результаты, особенно в многоклассовых задачах. Это подчеркивает важность правильного выбора индекса для улучшения качества сети. https://link.springer.com/article/10.1134/S000511792403010X Разработана компактная нейронная сеть FCA-CLNet с использованием кластеризации на основе устойчивых формальных понятий, улучшающая интерпретируемость данных с множеством признаков. Модель сопоставима с традиционными моделями машинного обучения, но требует доработки для повышения эффективности. https://fca4ai.hse.ru/mirror/pubs/share/direct/974862483.pdf#page=39 Используя анализ формальных понятий и метрики Громова, исследована внутренняя размерность бенгальского и русского языков. Результаты, полученные с помощью SVD-разложения на предварительно обработанных корпусах, показывают, что внутренняя размерность обоих языков приблизительно равна 5, что указывает на их сходную внутреннюю структуру, полезную для языковых моделей и обработки естественного языка. https://link.springer.com/chapter/10.1007/978-3-031-45170-6_34

Публикации

12. Кузнецов С.О. Clustering with Axialities Ceur WS, Kuznetsov, Sergei O. "Clustering with Axialities” (FCA4AI 2024)." (2025). (год публикации - 2025)

Возможность практического использования результатов
В здравоохранении модель для детектирования депрессии по аудиоданным может быть интегрирована в телемедицинские системы и приложения для мониторинга психического здоровья, что позволит своевременно выявлять признаки депрессии и направлять пациентов на соответствующее лечение. В транспорте и логистике разработанный агент на основе DQN для управления светофорными сигналами может быть внедрен в городские транспортные системы для оптимизации движения транспорта, снижая заторы, уменьшая время ожидания и поездки, а также улучшая экологическую обстановку. В промышленности методы обнаружения и диагностики неисправностей в химических процессах и других промышленных системах могут повысить надежность и безопасность производственных процессов, снижая риск аварий и простоев, увеличивая срок службы оборудования и повышая общую эффективность производства. В финансовом секторе методы извлечения эмоциональных признаков из отчетов SEC могут улучшить прогнозирование доходности акций и принятие более обоснованных инвестиционных решений, что может привести к увеличению доходности инвестиций и стабилизации финансовых рынков. В социальных и культурных проектах технологии колоризации иллюстраций могут быть использованы в музеях, образовательных учреждениях и издательствах для создания интерактивных и визуально привлекательных экспозиций и материалов, повышая интерес и вовлеченность аудитории. Полученные результаты могут быть использованы в различных областях экономической и общественной жизни: для усовершенствования документооборота с помощью методов автоматической обработки текста с помощью AMR-графов, определения событий в динамических данных, таких как стриминговые данные с использованием кластеризации на аксиальностях.