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 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 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.