Используя методы тропической математики, можно упростить структуру нейронной сети. Целью настоящей работы является исследование эффективности использования тропических функций в нейронных сетях. Базовая алгебраическая структура в тропической математике --- полукольцо с выбором минимума (или максимума) в качестве сложения. Такая структура естественно возникает в работе с некоторыми нейронными сетями, например сетями с функцией активации ReLU. В рамках этого подхода произвольная кусочно-линейная функция с фиксированным типом выпуклости может быть представлена тропическим многочленом, а произвольная кусочно-линейная функция --- тропической рациональной функцией. Таким образом, слой нейронной сети с линейной преактивацией и ReLU-активацией можно рассматривать как векторнозначную тропическую рациональную функцию, которая, в свою очередь, может быть представлена двумя тропическими слоями. В работе были реализованы два тропических слоя и построены пять тропических архитектур. Обучение моделей проводилось на датасете, целью которого было оценить вероятность наличия сердечно-сосудистых заболеваний у пациентов по определенному набору характеристик. Все модели имели одинаковые гиперпараметры. Каждая из моделей обучалась в течение 100 эпох с использованием оптимизаторов Adam и SGD. Сравнение результатов показало, что наилучшей точности достигла модель со смешанной архитектурой, состоящая из двух линейных слоев с min-слоем и max-слоем между ними. Такая точность была достигнута при использовании оптимизатора Adam. Классическая модель набрала 77,3 %, а тропическая 77,7 %. С. 18-27.

Using the methods provided by tropical mathematics we can simplify the structure of a neural network, which increases its explainability, without decreasing its accuracy. This paper aims to explore the use of tropical functions in neural networks and compare their efficiency with classical ones. Theoretical framework of tropical mathematics is a semiring with idempotent addition, which is a natural approach to piecewise-linear neural networks, e.g. networks with ReLU activation. Within this approach, piecewise-linear convex function is a tropical polynomial, and general piecewise-linear functions are tropical rational functions. Thus a layer of a neural network with linear preactivation and ReLU activation can be viewed as a vector-valued tropical rational function, which in turn can be represented by two tropical layers. Two tropical layers were implemented, and five tropical architectures were constructed. The models were trained on a heart disease dataset, aiming to determine the presence of heart disease. All models had the same hyperparameters. Each of the models was trained for 100 epochs using Adam and SGD optimizers. The results of the comparison showed that the best accuracy was achieved by a mixed-architecture model using two linear layers. The comparison results showed that the best accuracy was achieved by a mixed-architecture model with two linear layers with a min-layer and a max-layer in between. This accuracy was achieved by using an Adam optimizer. The classical model scored 77.3 % and the tropical 77.7 %.

В статье рассматривается метод потоковой обработки реализации бортовой качки корабля в процессе развития аварии в результате затопления отсеков с целью определения момента времени, когда происходит смена типа диаграммы статической остойчивости. Состояние корабля, соответствующее каждому из этих типов, требует абсолютно разных методов борьбы за живучесть, что отражается в базе знаний бортовой интеллектуальной системы. В условиях плавания, а тем более в экстремальных ситуациях, непосредственное измерение характеристик остойчивости морского объекта невозможно, поэтому требуется их косвенное определение. В статье приведена реализация процедурной компоненты бортовой интеллектуальной системы мониторинга безопасности мореплавания, основанной на искусственной нейронной сети. С. 41-49.

The article is focused on method of ship rolling processing during flooding of compartments. The main goal of such processing is in determination of the time moment, when the type of static stability diagram changes. The ship state corresponding to each of these types requires completely different methods of damage control, which is reflected in the knowledge base of the onboard intelligent system. In navigation conditions, and even more so in extreme situations, direct measurement of the stability characteristics of a marine object is impossible, so their indirect determination is required. The article presents the implementation of the procedural component of an on-board intelligent system based on an artificial neural network.

В области медицинской диагностики произошел значительный прогресс благодаря внедрению методов машинного обучения. В данной статье представлен комплексный обзор исследований по разработке экспертных системы для диагностики патологий беременности с использованием различных методов машинного обучения. Подчеркивая решающую роль данных для обучения и их предварительной обработки, в рассмотренных в статье публикациях сравнивается точность различных алгоритмов машинного обучения в этой области. Анализируемые исследования в первую очередь были сосредоточены на построении экспертных систем для диагностики патологий и осложнений, связанных с беременностью, с целью улучшения результатов лечения будущих матерей и их будущих детей. Используя широкий спектр подходов к машинному обучению, включая деревья решений, машины опорных векторов, случайный лес, искусственные нейронные сети и другие, была исследована эффективность каждого рассмотренного в статье алгоритма в точном прогнозировании проблем, связанных с беременностью.
Одним из ключевых моментов этого обзора является акцент на качестве и разнообразии обучающих данных. Особое внимание при анализе публикаций уделялось надежности и полноте наборов данных, позволяющих алгоритмам машинного обучения достигать более высокой диагностической точности.
Для обзора были отобраны исследования, в которых для обучения были использованы параметры, признанные медицинским сообществом индикаторами различных патологий.
Важным критерием для выбора публикаций обзора было наличие в них предварительной обработки данных для коррекции пропущенных значений, шума и дисбаланса классов. Решение этих задач играет существенную роль в повышении производительности экспертных систем. В статье проводится оценка методологии и алгоритмов, используемых в рассмотренных публикациях, что дает ценную информацию для будущих исследований и разработок в этой области. С. 50-64.

The field of medical diagnosis has made significant progress with the introduction of machine learning techniques. This article presents a comprehensive review of studies in which researchers have developed expert systems for diagnosing pregnancy abnormalities using various machine learning techniques. Emphasizing the crucial role of data for learning and its preprocessing, the publications reviewed in the article compare the accuracy of different machine learning algorithms in this area. The analyzed research has primarily focused on building expert systems to diagnose pregnancy-related pathologies and complications in order to improve outcomes for expectant mothers and their future children. Using a wide range of machine learning approaches, including decision trees, support vector machines, random forest, artificial neural networks, and others, the effectiveness of each algorithm reviewed in this article in accurately predicting pregnancy-related problems was investigated.
One of the key points of this review is the emphasis on the quality and variety of training data. Particular attention was paid to the reliability and completeness of the datasets in analyzing the publications to allow machine learning algorithms to achieve higher diagnostic accuracy. Studies were selected for the review that used parameters recognized by the medical community as indicators of various pathologies for training.
An important criterion for selecting the review publications was the availability of data preprocessing in them to correct missing values, noise and class imbalance. These tasks play an essential role in improving the performance of the developed expert systems. By critically evaluating the methodologies and algorithms used in the reviewed publications, this paper provides valuable information for future research and development in this area.

В данной статье представлены итоги эксперимента по применению больших языковых моделей (LLM) для создания структуры университетских курсов. Для формирования запросов к LLM использовались такие методы промпт-инжиниринга, как zero-shot, few-shot, chain-of-thought и tree-of-thought. Для эксперимента преимущественно использовались квантованные модели, такие как mistral-7b-instruct, mixtral-8x7b-instruct, openchat_3.5, saiga2_13b, starling-lm-7b-alpha, tinyllama и другие. Сгенерированные ими структуры курсов сравнивались с данными, полученными с помощью ChatGPT-4. Модели openchat_3.5.q5_k_m и starling-lm-7b-alpha.q5_k_m показали сопоставимое с~ChatGPT-4 качество генерации рабочих программ дисциплин. Эксперимент подчеркивает возможности применения LLM в сфере образования и указывает на перспективные направления для дальнейших исследований. С. 32-44.

This article presents the outcomes of an experiment employing large language models (LLMs) in the development of university course structures. Various prompt engineering methods, including zero-shot, few-shot, chain-of-thought, and tree-of-thought, were employed to formulate queries to LLMs. Primarily, quantized models such as mistral-7b-instruct, mixtral-8x7b-instruct, openchat_3.5, saiga2_13b, starling-lm-7b-alpha, tinyllama, among others, were utilized for the experiment. The generated course structures were compared with data obtained from ChatGPT-4. Models openchat_3.5.q5_k_m and starling-lm-7b-alpha.q5_k_m demonstrated comparable quality in generating educational program structures to ChatGPT-4. The experiment underscores the potential applications of LLMs in the field of education and highlights promising directions for further research.

В статье рассматривается проблематика интеграции алгоритмов машинного обучения в реляционные СУБД. Проведен обзор и сравнительный анализ текущих технических возможностей реляционных СУБД Oracle, PostgreSQL, SQL Server, DB2 и MySQL, адаптированных для интеллектуального анализа данных. На основе полученных результатов сделаны выводы об уровне готовности современных СУБД к решению задач анализа данных. С. 58-71.

The article discusses the problems of integrating machine learning algorithms into relational database management systems. The author conducted a review and comparative analysis of the current technical capabilities of relational database management systems like Oracle, PostgreSQL, SQL Server, DB2 and MySQL, which were adapted to data mining. Based on the obtained results, conclusions about the level of readiness of modern database management systems to solve the problem of data analysis have been drawn.

В преддверии перехода к цифровым системам логистики происходит экспоненциальный рост использования систем искусственного интеллекта. Этот рост наиболее заметен в сфере анализа логистических процессов. Однако с усложнением алгоритмов работы возможности пользователя по контролю за принятием решения в логистике значительно снижаются, что сказывается на доверии к получаемому результату, которое критически важно в логистике. Повысить прозрачность в работе систем искусственного интеллекта (ИИ) при анализе логистических явлений призвано применение методов объяснительного искусственного интеллекта. В нашем исследовании представлен один из когнитивных инструментов в спектре методов объяснительного искусственного интеллекта для анализа логистических процессов, а также рассмотрены потенциально перспективные подходы к совершенствованию этой технологии. Однако, несмотря на то, что технологии искусственного интеллекта имеют огромный потенциал, усложнение этих систем сказывается на доверии к технологии. Особенно это заметно в сферах, где от правильности решения зависит техносферная и логистическая безопасность. Выходом из этой непростой ситуации становится применение объяснительного искусственного интеллекта (eXplainable Artificial Intelligence (XAI)). В данной работе в качестве такой объясняющей технологии предлагается когнитивное динамическое проецирование SW. С. 30-40.

In anticipation of the transition to digital logistics systems, there is an exponential growth in the use of artificial intelligence systems. This growth is most noticeable in the area of logistics process analysis. However, with the complication of algorithms, the user's ability to control decision-making in logistics is significantly reduced, which affects the credibility of the result, which is critical in logistics. The use of explanatory artificial intelligence methods is called upon to increase transparency in the operation of artificial intelligence (AI) systems in the analysis of logistical phenomena. Our study presents one of the cognitive tools in the spectrum of explanatory artificial intelligence methods for analyzing logistics processes, and also considers potentially promising approaches to improving this technology. However, despite the fact that artificial intelligence technologies have great potential, the complication of these systems affects the credibility of the technology. This is especially noticeable in areas where technosphere and logistical security depends on the correctness of the decision. The way out of this difficult situation is the use of explanatory artificial intelligence (eXplainable Artificial Intelligence (XAI)). In this work, as such an explanatory technology, we propose cognitive dynamic SW prediction.

В статье описывается численный эксперимент по решению математических задач чат-ботами (YandexGPT 2, ChatGPT 3.5, Gemini, Copilot) по некоторым темам математического анализа (пределы, производные, интегралы), включающий 693 задачи, и вычислительной математики (решение нелинейных уравнений, решение систем линейных уравнений, интерполяция функций, численное интегрирование), состоящий из 45 задач. Рассматриваются основные характеристики современных виртуальных помощников. Представлен обзор исследований по применению искусственного интеллекта в решении математических задач на различных тестах и наборах данных. В работе рассматриваются недостатки, проявляющиеся в работе чат-ботов, анализируется их производительность на конкретных наборах данных. Проводится сравнительный анализ количества правильно решенных задач в рассматриваемых системах. Обсуждаются основные проблемы, с которыми можно столкнуться при подробном решении задач по вычислительной математике в каждом из чат-ботов. Данное исследование может представлять практический интерес для исследователей, разработчиков, преподавателей и пользователей, которые применяют данные виртуальные помощники в своей работе. Проведенный эксперимент позволит лучше оценить эффективность применения рассматриваемых систем в области математики. С. 33-47.

The paper describes a numerical experiment on calculation of mathematical problems by chatbots (Yandex GPT 2, ChatGPT 3.5, Gemini, Copilot) on some topics of mathematical analysis (limits, derivatives, integrals), including 693 problems, and computational mathematics (solution of nonlinear equations, solution of systems of linear equations, interpolation of functions, numerical integration), consisting of 45 problems. The main characteristics of modern virtual assistants are considered. A review of research on the application of artificial intelligence in solving mathematical problems on various tests and data sets is presented. The paper considers the shortcomings manifested in the work of chatbots, analyzes their performance on specific data sets. A comparative analysis of the number of correctly solved problems in the considered systems is carried out. The main problems that can be encountered when solving computational mathematics problems in detail in each of the chatbots are discussed. This study may be of practical interest for researchers, developers, teachers and users who use these virtual assistants in their work. The conducted experiment will allow to better evaluate the effectiveness of the application of the considered systems in the field of mathematics.

В статье проанализированы существующие методы обнаружения малоразмерных объектов по изображениям в каналах технического зрения на фоне шумов. Показано, что метод обнаружения изображений малоразмерных объектов, основанный на вычислении отношения правдоподобия с использованием оценки математического ожидания выборок пространственно-субполосных векторов и их ковариационных матриц, является перспективным для дальнейших исследований.
Для решения задачи обнаружения малоразмерных объектов по изображениям каналов технического зрения, а также для подготовки данных для последующих этапов (распознавания и~идентификации в качестве основного инструмента) предлагается метод субполосного анализа на основе применения новых базисных функций. Проведена экспериментальная оценка качества обнаружения малоразмерных объектов вышеописанным методом, из которой следует, что приемлемые показатели вероятности правильного обнаружения (0,95) при вероятности ложной тревоги 10^-4 достигаются при отношении сигнал/шум более 14. Исходя из того, что шум на изображениях не всегда является статически независимым и аддитивным, оценка влияния пространственных спектральных характеристик шума подлежит дальнейшему исследованию. Проведён анализ влияния статистически независимого аддитивного шумового процесса на показатели качества обнаружения и распознавания. При этом использован набор исходных изображений, содержащих изображения малоразмерных объектов вида беспилотных летательных аппаратов. Для поиска объекта на анализируемом изображении использовалось его эталонное изображение. В ходе проведенного исследования установлено, что семейство зависимостей вероятности правильного обнаружения от отношения сигнал/шум с учетом заданной вероятности ложной тревоги при воздействии аддитивного белого шума является классическим видом, характерным для алгоритмов обнаружения объектов. Выявлено необходимое отношение сигнал/шум, которое позволяет достигнуть приемлемой вероятности правильного обнаружения. С. 33-47.

The article analyzes the existing methods of detecting small objects from images in the channels of technical vision against a background of noise. It is shown that the method of detecting images of small objects based on the calculation of the likelihood ratio using the estimation of the mathematical expectation of samples of spatially subband vectors and their covariance matrices is promising for further research. To solve the problem of detecting small objects from images of technical vision channels, as well as to prepare data for subsequent stages (recognition and identification), a subband analysis method based on the use of new basic functions is proposed as the main tool. An experimental assessment of the quality of detection of small-sized objects using the above-described method has been carried out, showing that acceptable indicators of the probability of correct detection (0.95) with a false alarm probability of 10⁻⁴ are achieved with a signal-to-noise ratio of more than 14. Based on the fact that noise in images is not always statically independent and additive, the assessment of the influence of spatial spectral characteristics of noise is subject to further investigation. The analysis of the influence of a statistically independent additive noise process on the quality of detection and cognition is carried out. In this case, a set of source images containing images of small objects of the type of unmanned aerial vehicles was used. To search for an object in the analyzed image, a reference image of the object was used. In the course of the study, it was found that the family of dependencies of the probability of correct detection on the signal-to-noise ratio, taking into account the given probability of a false alarm when exposed to additive white noise, is a classic type characteristic of object detection algorithms. The necessary signal-to-noise ratio has been identified, which makes it possible to achieve an acceptable probability of correct detection.

В основу пятой промышленной революции легла персонализация — персонализированные сервисы, умные устройства, роботы-помощники, а теперь и персонализированная медицина — направление, развиваемое в рамках философии Здравоохранения 5.0. В данной работе рассматриваются технологические аспекты применения моделей искусственного интеллекта нового поколения в задачах персонализированной медицины для Здравоохранения 5.0. Проанализированы возможности применения моделей объяснительного искусственного интеллекта в задачах здравоохранения. Проведена классификация методов объяснительного искусственного интеллекта (XAI), а также рассмотрены наиболее популярные алгоритмы XAI. Представлен обзор применения алгоритмов XAI в медицине, в котором рассмотрены задачи, конкретные алгоритмы и архитектуры искусственных нейронных сетей. С. 41-61.

Industry 5.0 was based on personalization — personalized services, smart devices, assistant robots, and now personalized medicine, a direction developed within the framework of the Healthcare 5.0 philosophy. This paper discusses the technological aspects of the application of new generation artificial intelligence models in the tasks of personalized medicine for Healthcare 5.0. The possibilities of using explanatory artificial intelligence models in healthcare tasks are analyzed. The classification of explainable artificial intelligence (XAI) methods is carried out, and the most popular XAI algorithms are considered. It also provides an overview of the application of XAI algorithms in medicine, which considers tasks, specific algorithms and architectures of artificial neural networks.

Данное исследование рассматривает применение больших языковых моделей (LLM), в частности GPT-4o, для геотегинга текста, представляя новый набор данных твитов с географическими аннотациями. Используя подходы с нулевым и малым количеством обучающих примеров, мы демонстрируем способность GPT-4o определять местоположение на основе явных и неявных текстовых ссылок в твитах, достигая средней погрешности всего в 43 км для явных упоминаний. Наши эксперименты показывают надежность географических знаний больших языковых моделей и их адаптируемость к задачам геотегинга с минимальным контекстом. Исследование также подчеркивает потенциал LLM в улучшении методов извлечения географической информации из текста, выявляет проблемы и влияние качества данных, а также возможности повышения эффективности модели при работе с неявными ссылками и зашумленными данными (на англ.). С. 48–65.

This study explores the application of Large Language Models (LLMs), particularly GPT-4o, to textual geotagging, introducing a novel dataset of tweets with geographical annotations. Using zero-shot and few-shot approaches, we demonstrate GPT-4o’s ability to infer location from explicit and implicit textual references in tweets, achieving average errors as low as 43 km for explicit mentions. Our experiments reveal LLMs’ robust geographical knowledge and adaptability to geotagging tasks with minimal context. The research also highlights LLMs’ potential in advancing geographical inference from text, identifying challenges and effects of data quality, and opportunities for improving model performance on implicit references and noisy data.