В статье предлагается новый подход к изучению взаимодействия сигналов биомедицинской природы, в частности, данных электроэнцефалограмм (ЭЭГ), путем анализа структуры временных задержек пар сигналов относительно друг друга. Анализ литературы показал, что большинство методов оценки взаимодействия сигналов при анализе ЭЭГ основаны на вычислении функции когерентности, что не учитывает задержки сигналов относительно друг друга по времени. Ввиду этого предлагается рассмотреть метод анализа структуры временных задержек пар сигналов на примере данных ЭЭГ, состоящий из следующих этапов: фильтрации сигналов в нескольких перекрывающихся частотных диапазонах; нахождения последовательности временных задержек пары сигналов; вычисления матрицы расстояний между рядами временных задержек сигналов с использованием расстояния Евклида, манхэттенского расстояния и расстояния Чебышева; оценки плотности распределения для расстояний между последовательностями временных задержек на тестовой выборке. В статье приводится исследование свойств предложенного метода на модельных сигналах, построенных на основе функций с хорошо известными свойствами, а также применение метода на реальных данных ЭЭГ, что позволило выявить и проанализировать задержки реакции людей на фотостимуляцию в зависимости от различных отведений ЭЭГ. Результаты показывают, что разница временных задержек сигналов между различными отведениями ЭЭГ в большинстве случаев у испытуемых отсутствует, но у некоторых испытуемых она составляет около 0,3 сек. (при вычислении с помощью евклидовой метрики), что является существенным запаздыванием на фотостимуляцию между различными участками мозга. При этом метрики, отличные от евклидовой, дают иную оценку расстояний между последовательностями временных задержек, позволяя получить более детализированную, или, напротив, более общую картину. Данный метод может быть полезен при картировании головного мозга на основе данных ЭЭГ.
При исследовании надежности в зависимости от типа изделий используют параметрические и непараметрические модели. Параметрические модели работают с цензурированными выборками, где данные для расчета надежности представлены как наработки отказавших и работающих изделий. Наработками отказавших изделий является время, за которое они вышли из строя в процессе эксплуатации, а наработками работающих изделий - время, которое они успешно проработали. Обычно рассматривают три основных закона распределения наработок до отказа - экспоненциальный, Вейбулла и нормальный. Чаще всего применяется закон распределения Вейбулла, поскольку экспоненциальный является его частным случаем и позволяет контролировать динамику изменения надежности. Непараметрический анализ обладает преимуществом получения надежных результатов без привязки к определенному распределению данных о сроке службы. Однако из-за этой гибкости непараметрические методы могут оказаться сложными и менее удобными для решения различных задач, типичных для инженерного проектирования. В то же время, параметрический анализ может более четко выявить специфические тенденции и закономерности отказов, что делает его предпочтительным в некоторых ситуациях. Рассмотрим и проанализируем применение непараметрической модели для оценки надежности космических аппаратов на примере обобщенного распределения Вейбулла.
В статье представлен новый метод сжатия аудиоданных с потерями. Метод базируется на психоакустических принципах восприятия звука человеком. Учет данных принципов позволяет получить метод сжатия аудиоданных различной природы: музыкальных композиций, речевого сигнала, различных звуков другого происхождения. Стоит отметить, что каждый из них имеет свои особенности. Речевые сигналы содержат паузы и имеют менее разнообразный частотный диапазон по отношению к музыке, что приводит к разработке специфических методов их компрессии. Целью построения представленной теории сжатия аудиоданных с потерями является достижение равенства исходного и восстановленного сигналов в перцептуальном смысле. Именно такой подход позволяет получить метод сжатия аудиоданных, который позволяет в значительной степени уменьшить битовое представление аудиосигнала, оставляя его на слух очень близким к оригиналу. Большое внимание при разработке метода уделено квантованию по уровню, причем при квантовании спектральных составляющих сигнала используется теория едва заметных изменений звука. Представляется целесообразным учет этой теории, поскольку она является значимой при обработке аудиосигналов, однако, до сих пор не была использована при разработке методов сжатия аудиоданных. Предлагаемая в статье процедура квантования по уровню сочетает в себе преимущества как адаптивного, так и равномерного квантования. Для адаптивного квантования основное преимущество это значительно меньшее число уровней квантования, которое необходимо для достижения сопоставимого с равномерным квантованием уровня шума квантования. Представленный метод квантования, который являясь по сути неравномерным (адаптивным) не требует передачи значения каждого из уровней квантования (или шага квантования). Кроме того, ошибка квантования в разработанном методе не превышает 1 дБ, что является порогом едваразличимых изменений звука.
Графовые нейронные сети в настоящее время являются объектом все возрастающего интереса в области машинного обучения и анализа данных. Их специализированная архитектура позволяет эффективно моделировать и анализировать сложные структуры данных на графах, такие как социальные сети, биоинформационные сети, транспортные сети и другие. С возрастанием объема данных, представленных в виде графов, растет их значимость как инструмента для понимания и прогнозирования сложных взаимосвязей и паттернов. Данная работа направлена на оценку эффективности метода L2-регуляризации, применяемого при машинном обучении в контексте задачи кластеризации узлов графа. Под кластеризацией понимается объединение узлов в группы, выделяемые по степени их связности. При обучении используется специальный метод регуляризации и реализующий его алгоритм распространения меток LPA (Label Propagation Algorithm), а также расширение данного подхода на две популярные архитектуры графовых нейронных сетей: GraphSAGE (Graph Sample and Aggregation) и GAT (Graph Attention Networks). В рамках исследования проводится сравнительный анализ эффективности применения метода LPA на различных датасетах, широко применяемых в научных и практических задачах. Результаты исследования показывают заметное улучшение точности анализа графовых моделей данных при использовании анализируемого подхода. Проведенное исследование способствует более глубокому пониманию воздействия общего подхода L2-регуляризации в плане обучения графовых нейронных сетей.
Работа посвящена изучению возможностей применения искусственных импульсных (или спайковых) нейронных сетей для решения задачи приближенной факторизации Винера - Хопфа для процессов Леви в рамках интеллектуальной системы машинного обучения. Одним из приложений факторизации Винера - Хопфа является вычисление цен барьерных опционов, в связи с чем рассматриваемая задача имеет важный прикладной аспект для вычислительной финансовой математики в части создания гибридных численных методов, комбинирующих современные технологии нейросетей третьего поколения и классические методы вычислительной математики. В рамках статьи предложена импульсная нейронная сеть с моделью «интегрировать-и-сработать» с утечками для факторизации тригонометрического полинома в комплексной форме, коэффициенты которого представляют собой распределение вероятностей. Искомые многочлены-факторы имеют аналогичную вероятностную интерпретацию, при этом у первого фактора первая половина коэффициентов равна нулю, а у второго - вторая половина. Вероятностная интерпретация задачи позволяет обойтись без кодирования и декодирования входных и выходных данных в спайки и обратно. Обучение сети проводится для одного набора коэффициентов полинома с целью минимизировать ошибку приближения этого полинома произведением факторов, коэффициенты которых предсказываются сетью, для чего программно реализована собственная функция потерь. В отличие от традиционного подхода к подбору параметров модели на обучающей выборке, в данной работе предлагается минимизировать ошибку приближения конкретной характеристической функции процесса Леви произведением многочленов-факторов. При этом модель не использует фактические значения коэффициентов факторов при обучении, а только значения многочленов, вычисленные с помощью быстрого преобразования Фурье. В рамках вычислительных экспериментов представлен пример факторизации полинома 255-й степени, связанного с гауссовым процессом Леви, с помощью спайковой нейросети. Программная реализация предлагаемого в статье подхода к решению задачи факторизации написана на языке программирования Python с использованием фреймворка машинного обучения pyTorch и библиотеки snnTorch импульсных нейронных сетей.
В эстетической теории выделяются разные подходы к пониманию чувственного и логического. Автор согласен с теорией И. Канта, что чувственное восприятие субъективно и воображению даётся возможность придумывать вымышленных персонажей, которых не существует в реальной жизни. Цифровые технологии позволяют оживить и ввести в художественный спектакль таких персонажей. Такой процесс становится возможным с помощью компьютерных алгоритмов, которые используются при создании арт-практик. Существует множество противоречивых публикаций, где отсутствует понимание технологического процесса поставленной задачи, например, о том, что можно написать программу, которая по картинкам «обучит машину эстетике». Поэтому автор статьи обращается к трем технологическим решениям (виртуальная реальность, дополненная реальность, ИИ основанный на данных) и рассматривает на примере существующих программ и приложений, как происходит процесс взаимодействия компьютерных алгоритмов художественного творчества с воображением и мастерством постановщиков сценического искусства (спектакль, опера, хореография). Данный вопрос автор решает в рамках алгоритмической эстетики, которая рассматривает процесс коммуникации, но в отличие от теории медиа, рассматривает процесс обмена информации в двоичном коде. Алгоритмы, по которым работают написанные программы, не создают «кодовый дух», а позволяют создавать инструменты художественного творчества и развивать мастерство талантливых людей.
Статья посвящена обзору и анализу итогов VIII Международной научно-практической конференции «MEDIAОбразование. Цифровая среда: между позитивом и деструкцией 2023», состоявшейся 21-23 ноября 2023 г. на базе Челябинского государственного университета при поддержке Главного управления молодежной политики Челябинской области в рамках реализации регионального Плана Десятилетия науки и технологий в Российской Федерации на территории Челябинской области.
В статье исследуется сущность искусственной социальности как потенциальной формы «новой нормальности», а также описываются возможные антропологические трансформации в новой социальной реальности. Понятие «новой нормальности » как кризисного состояния общества раскрывается через экономические, политические и социально-культурные аспекты, указываются ее ключевые особенности. Сквозь призму последних анализируется особая форма социальности, формирующаяся в цифровом обществе, называемая «искусственной социальностью». Для этой цели рассматриваются основные риски, связанные с внедрением технологий искусственного интеллекта (включая его гибридные формы при интеграции с другими цифровыми технологиями) в социальной, политической и экономической сферах, отмечается их схожий характер и способность воспроизводить сущностные характеристики «новой нормальности». Дается общее описание сути явления искусственной социальности, обозначаются ее основные черты и отмечается, что искусственная социальность обладает всеми чертами «новой нормальности » в ее кризисном значении. Также в статье описываются антропологические трансформации, потенциально возможные в искусственной социальности, сущность которых определяется в контексте взаимодействия человека с искусственным интеллектом и другими цифровыми технологиями. Делается вывод о маргинальном положении «человека разумного» в среде искусственной социальности. В заключении отмечается, что искусственная социальность пока только формируется, а значит, есть возможность избежать кризиса при условии равноправного сотрудничества человека и искусственного интеллекта.
В статье рассматривается вопрос применения нейронных сетей в качестве персональных ассистентов современного педагога. Приводится алгоритм самостоятельного создания чат-бота, описывается алгоритм профилирования нейронной сети за счет изменения контекста ее работы по умолчанию. Важным фактором является наличие инструкции, где подробно, с иллюстрациями, показан весь процесс создания такого чат-бота. Ввиду отсутствия ограничений на количество чат-ботов у современного педагога появляется возможность самостоятельно создать команду виртуальных ассистентов, которые станут его надежной опорой в непрофильных для него задачах.
В учебнике рассматриваются классические задачи принятия решений, формулируемые как задачи выбора вариантов из допустимого множества. В частности, рассматриваются задачи конечномерной оптимизации. Дается введение в экспертные системы принятия решений, что позволит разрабо тать свою собственную экспертную систему. Основное внимание уделено прикладным и вычислительным аспектам принятия решений и оптимиза ции, связанным с разработкой компьютерных алгоритмов и вопросами их практического применения.