журнал о ростовской жизни /
о людях, у которых стоит учиться. О вещах, которыми хочется обладать.
Ученые ЮФУ предложили новые методы извлечения знаний для интеллектуальных систем
Проблема извлечения знаний в теории искусственного интеллекта играет чрезвычайно важную роль и до сих пор считается нерешенной проблемой, поскольку до настоящего времени учеными не предложены сколько-нибудь приемлемые способы автоматизации этого процесса. В этом контексте научные разработки коллектива ученых ЮФУ под руководством заведующего кафедрой информационно-аналитических систем безопасности, профессора Александра Целых носят прорывной характер.
Очередная публикация ученых Южного федерального университета в журнале Physica A: Statistical Mechanics and its Applications (Q2, Elsevier, 2019) продолжила серию статей, вызвавших резонанс у мировой научной общественности. Ранее публикации наших ученых разместили ведущие научные журналы International Journal of Automation and Computing (Q2, Springer, 2019); Expert Systems (Q2, Wiley, 2018); Advances in Electrical and ElectronicEngineering (Q2, AEEE, 2017).
Суть и инновационный характер разработок исследователей из Таганрога состоит в том, что предложенные ими алгоритмы помогают не только извлекать знания, имеющиеся у экспертов (knowledge acquisition), что является достаточно известной и широко обсуждаемой научной проблемой, но также позволяют обнаруживать скрытые знания которые эксперты не могут представить и сформулировать сами в явном виде (tacit knowledge discovery). Обнаружение скрытых знаний является результатом применения алгоритмических процедур, основанных на максимизации передачи влияния в когнитивных графовых моделях и нахождении влиятельных факторов системы как наиболее эффективных точек приложения управляющих воздействий.
С математической точки зрения, задача нахождения эффективных управлений решается как оптимизационная задача, основанная на максимизации отношения квадратов норм вектора накопленного роста приращений показателей вершин графа и вектора внешних воздействий. Для решения оптимизационной задачи используются метод множителей Лагранжа, метод сопряженных направлений и алгоритм ортогонализации Грама-Шмидта.
Очередная публикация ученых Южного федерального университета в журнале Physica A: Statistical Mechanics and its Applications (Q2, Elsevier, 2019) продолжила серию статей, вызвавших резонанс у мировой научной общественности. Ранее публикации наших ученых разместили ведущие научные журналы International Journal of Automation and Computing (Q2, Springer, 2019); Expert Systems (Q2, Wiley, 2018); Advances in Electrical and ElectronicEngineering (Q2, AEEE, 2017).
Суть и инновационный характер разработок исследователей из Таганрога состоит в том, что предложенные ими алгоритмы помогают не только извлекать знания, имеющиеся у экспертов (knowledge acquisition), что является достаточно известной и широко обсуждаемой научной проблемой, но также позволяют обнаруживать скрытые знания которые эксперты не могут представить и сформулировать сами в явном виде (tacit knowledge discovery). Обнаружение скрытых знаний является результатом применения алгоритмических процедур, основанных на максимизации передачи влияния в когнитивных графовых моделях и нахождении влиятельных факторов системы как наиболее эффективных точек приложения управляющих воздействий.
С математической точки зрения, задача нахождения эффективных управлений решается как оптимизационная задача, основанная на максимизации отношения квадратов норм вектора накопленного роста приращений показателей вершин графа и вектора внешних воздействий. Для решения оптимизационной задачи используются метод множителей Лагранжа, метод сопряженных направлений и алгоритм ортогонализации Грама-Шмидта.
