ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА. СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

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.

В статье представлены результаты разработки нейроиммунного метода сжатия данных, предназначенного для дальнейшей апробации в системе анализа инцидентов информационной безопасности. Осуществлён анализ классических методов и методов машинного обучения, применяемых для компрессии данных с потерями и без. Рассмотрены варианты архитектур нейронных сетей для обеспечения компрессии векторов. Предложен метод комбинирования гибридной искусственной иммунной системы со свёрточной нейронной сетью архитектуры Bottleneck-type путём применения разработанных в рамках предыдущих исследований интеллектуальных методов оптимизации и классификации, в том числе включающих в себя модифицированный генетический алгоритм дуэлей. Проведена оценка эффективности полученного гибридного подхода компрессии с классической свёрточной нейронной сетью и многослойной нейронной сетью прямого распространения Bottleneck-type. В качестве критериев эффективности были выбраны степень сжатия, точность декомпрессии данных. Для проведения сравнительного анализа рассмотренных методов был разработан программный комплекс, реализующий модуль сбора и хранения данных в системе анализа инцидентов информационной безопасности, предназначенный для дальнейшего применения при подготовке данных в задаче анализа и корреляции событий информационной безопасности. В результате исследования в качестве наиболее эффективного подхода компрессии данных был предложен разработанный нейроиммунный метод сжатия, показавший при сравнительном анализе с составляющими его алгоритмами лучшую точность декомпрессии при аналогичных степенях сжатия. Предложенный метод может быть адаптирован для использования в системах сжатия и хранения не только текста, но и видеоинформации, позволяет повысить качество распознавания системой анализа инцидентов при классификации образов событий безопасности.