Архив статей журнала
В статье обосновывается необходимость осуществления управления процессом классификации информационных сигналов на основе простой и двухсвязной марковских моделей. Показана возможность объединения полученных ранее моделей и алгоритма классификации в систему принятия решений в целях классификации информационных сигналов (случайных процессов) по критерию максимизации апостериорной вероятности. Предлагается структурная схема системы принятия решений, приводится описание разработанных программных компонентов, последовательно реализующих как вспомогательные, так и базовые процедуры, позволяющие реализовать синтезированные ранее марковские модели и методы оценки их параметров, а также алгоритм классификации. Приводится описание возможности обучения алгоритма классификации как «с учителем», так и в режиме «самообучения», определены объемы выборок предоставляемых отсчетов исследуемых сигналов для формирования баз данных марковских моделей сигналов, марковских моделей классов сигналов. Представлены результаты статистического имитационного моделирования зависимости вероятности ошибки от объема обучающей выборки. Предложены структурные схемы некоторых программных компонентов системы принятия решений. Рассмотрены результаты реализации разработанных ранее моделей, методов и алгоритмов, в виде программных средств, показаны функциональные возможности применения данных средств в составе системы принятия решений. Приведены результаты расчетов, показывающие адекватность получаемых решений и функциональность разработанных программных средств. Делаются выводы о возможности применения системы принятия решений в различных предметных областях, в том числе при классификации состояний сердечно-сосудистой системы пациента по наблюдаемым ритмограммам.
В статье показаны возможности применения методов машинного обучения для построения и анализа системы аутентификации на основе динамики нажатий клавиш. В работе обоснована необходимость улучшения многофакторной системы аутентификации. Предложен способ классификации работ поведенческой биометрии для сравнения и использования результатов исследований. Рассмотрены базовые возможности обработки и генерирования динамических и статических признаков динамики нажатий клавиш. Протестированы различные комбинации наборов признаков и выборок обучения, описана лучшая комбинация с равной частой ошибок (Equal Error Rate) 4,7%. Итеративный анализ качества системы позволяет установить важность первых символов последовательности ввода, а также нелинейную взаимосвязь степени ранжирования модели и EER. Высокие показатели, достигнутые бустинговой моделью, свидетельствуют о значительном потенциале поведенческой аутентификации для дальнейшего улучшения, развития и применения. Приводится значимость данного метода, его практическая полезность не только в задаче аутентификации, перспективы развития, включая использование нейросетевых методов и анализ динамики данных. Несмотря на достигнутые результаты, отмечается необходимость дальнейшей работы над моделью, включая разработку дополнительных моделей кластеризации, классификации, изменение набора признаков и построение каскада. Подчеркивается важность исследуемой области, способной принести значительный вклад в развитие информационной безопасности и технологий.
В статье показаны возможности применения семантического анализа постов пользователей социальной сети ВКонтакте для мониторинга и прогнозирования депрессии. Подчеркивается серьезность проблемы депрессии, ее негативное влияние на здоровье и социум, а также актуальность ранней диагностики и помощи. В работе также обоснована необходимость и перспективы анализа данных русскоязычных социальных сетей для предотвращения развития депрессии у пользователей. В статье предложен подход, который позволяет проводить анализ текстовых данных и использовать логистическую регрессию для классификации пользователей по наличию депрессии. Результаты исследования показывают высокую точность модели с использованием логистической регрессии, что представляет потенциал для автоматизации процессов выявления и поддержки пользователей, страдающих депрессией по данным пользовательской информации в социальных сетях. Также приводится значимость данного метода, его практическая полезность для персонализированных интервенций, преимущества и перспективы развития, включая использование нейросетевых методов и анализ динамики данных. Несмотря на достигнутые результаты, отмечается необходимость дальнейшей работы над моделью, включая изучение других методов машинного обучения и учет изменений в психическом состоянии пользователя со временем. Развитие методов прогнозирования депрессии на основе данных социальных сетей, предложенных в статье, является важным направлением, способным принести значительный вклад в области психологии, здравоохранения и информационных технологий.