Pub Date : 2024-02-09DOI: 10.26906/sunz.2024.1.158
S. Shapovalova, A. Sofiienko
Предметом дослідження цієї статті є цифрові представлення текстових інформаційних ресурсів на прикладі Telegram-каналів. Мета роботи – визначити оптимальний для подальшої тематичної класифікації метод формування цифрових представлень Telegram-каналів. У статті вирішуються наступні завдання: означення підходів до формування вхідного вектору; визначення етапів обробки текстових даних для цифрового представлення Telegramканалу; створення датасету цифрових представлення Telegram-каналів; розмітка датасету для розв’язання задачі класифікації; визначення гіперпараметрів оптимальних моделей класифікації. Отримано такі результати: створений датасет цифрових представлень Telegram-каналів, сформованих на основі мережі SBERT, за трьома підходами: агрегація векторів публікацій, конкатенація ключових слів за методом TF-IDF та поєднання перших двох підходів; визначено, що підхід конкатенації ключових слів за методом TF-IDF та поєднання перших двох підходів до формування цифрових представлень Telegram-каналів на основі текстових публікацій є найбільш ефективним для подальшої класифікації за тематикою; визначено оптимальні за точністю гіперпараметри моделей тематичної класифікації: Logistic Regressio та нейромережі глибокого навчання. Перспективним напрямком подальших досліджень є оцінювання застосування запропонованих цифрових представлень до задач кластеризації та пошуку.
{"title":"ЦИФРОВІ ПРЕДСТАВЛЕННЯ TELEGRAM-КАНАЛІВ","authors":"S. Shapovalova, A. Sofiienko","doi":"10.26906/sunz.2024.1.158","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.158","url":null,"abstract":"Предметом дослідження цієї статті є цифрові представлення текстових інформаційних ресурсів на прикладі Telegram-каналів. Мета роботи – визначити оптимальний для подальшої тематичної класифікації метод формування цифрових представлень Telegram-каналів. У статті вирішуються наступні завдання: означення підходів до формування вхідного вектору; визначення етапів обробки текстових даних для цифрового представлення Telegramканалу; створення датасету цифрових представлення Telegram-каналів; розмітка датасету для розв’язання задачі класифікації; визначення гіперпараметрів оптимальних моделей класифікації. Отримано такі результати: створений датасет цифрових представлень Telegram-каналів, сформованих на основі мережі SBERT, за трьома підходами: агрегація векторів публікацій, конкатенація ключових слів за методом TF-IDF та поєднання перших двох підходів; визначено, що підхід конкатенації ключових слів за методом TF-IDF та поєднання перших двох підходів до формування цифрових представлень Telegram-каналів на основі текстових публікацій є найбільш ефективним для подальшої класифікації за тематикою; визначено оптимальні за точністю гіперпараметри моделей тематичної класифікації: Logistic Regressio та нейромережі глибокого навчання. Перспективним напрямком подальших досліджень є оцінювання застосування запропонованих цифрових представлень до задач кластеризації та пошуку.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"50 9","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964947","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-02-09DOI: 10.26906/sunz.2024.1.115
Аndrii Kuliahin
Topicality. In connection with the development of AR technologies and their use in interactive art, there is a growing need to develop methods of personalizing visual content, focused on the individual preferences of users. Research methods. Neural collaborative filtering method, generalized matrix factorization method, mood analysis on video. The purpose of the article: Researching the possibilities of improving the personalization of visual content in interactive art by evaluating the emotional reactions of users and their implicit feedback. The results obtained. The application of neural collaborative filtering and generalized matrix factorization to create adapted visual content in interactive art in AR was considered, which will significantly increase the relevance and immersion of users in interactive works. Conclusion. The considered approach can be used to improve immersiveness and personalization during user interaction with interactive art in AR.
主题性。随着 AR 技术的发展及其在互动艺术中的应用，人们越来越需要开发针对用户个人喜好的个性化视觉内容的方法。研究方法。神经协同过滤法、广义矩阵因式分解法、视频情绪分析法。文章的目的通过评估用户的情绪反应及其隐性反馈，研究改进互动艺术中视觉内容个性化的可能性。研究结果考虑应用神经协同过滤和广义矩阵因式分解在 AR 互动艺术中创建适配的视觉内容，这将显著提高用户在互动作品中的相关性和沉浸感。结论。所考虑的方法可用于在用户与 AR 中的互动艺术进行交互时提高沉浸感和个性化。
{"title":"PERSONALIZATION OF VISUAL CONTENT OF INTERACTIVE ART IN AUGMENTED REALITY BASED ON INDIVIDUAL USER PREFERENCES","authors":"Аndrii Kuliahin","doi":"10.26906/sunz.2024.1.115","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.115","url":null,"abstract":"Topicality. In connection with the development of AR technologies and their use in interactive art, there is a growing need to develop methods of personalizing visual content, focused on the individual preferences of users. Research methods. Neural collaborative filtering method, generalized matrix factorization method, mood analysis on video. The purpose of the article: Researching the possibilities of improving the personalization of visual content in interactive art by evaluating the emotional reactions of users and their implicit feedback. The results obtained. The application of neural collaborative filtering and generalized matrix factorization to create adapted visual content in interactive art in AR was considered, which will significantly increase the relevance and immersion of users in interactive works. Conclusion. The considered approach can be used to improve immersiveness and personalization during user interaction with interactive art in AR.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"44 15","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964982","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-02-09DOI: 10.26906/sunz.2024.1.077
D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko
Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.
{"title":"ОГЛЯД ЗАСОБІВ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ ДАНИХ","authors":"D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko","doi":"10.26906/sunz.2024.1.077","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.077","url":null,"abstract":"Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"47 19","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964824","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-02-09DOI: 10.26906/sunz.2024.1.082
Heorhii Ivashchenko, D. Tymoshenko, Oleksandr Blyzniuk, O. Kononenko
Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядів
{"title":"МОДЕЛІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ","authors":"Heorhii Ivashchenko, D. Tymoshenko, Oleksandr Blyzniuk, O. Kononenko","doi":"10.26906/sunz.2024.1.082","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.082","url":null,"abstract":"Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядів","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"45 16","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139965056","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2024-02-09DOI: 10.26906/sunz.2024.1.066
Y. Zhyvylo, I. Romashko
Кіберпростір разом з іншими фізичними просторами визнано одним з театрів воєнних дій. Набирає сили тенденція зі створення кібервійськ (Дорожня карта створення Кібервійськ Збройних Сил України – наказ Генерального штабу Збройних Сил України, від 22.04.2022 №48) до завдань яких належить не лише забезпечення захисту критичної інформаційної інфраструктури держави від кібератак, а й проведення превентивних наступальних кібердій (проведення кібероперацій) у кіберпросторі, що включає порушення сталого функціонування критично важливих об’єктів інфраструктури противника шляхом руйнування електронно-комунікаційних систем, які управляють такими об’єктами. Прогнозується зростання інтенсивності міждержавного протиборства і розвідувально-підривної діяльності у кіберпросторі. Розширюється коло держав, які намагаються сформувати власну кіберрозвідку, оволодіти сучасними технологіями розвідувально-підривної діяльності у кіберпросторі, посилюють державний контроль за національними сегментами мережі Інтернет. Зважаючи на досвід ведення бойових дій під час введення правового режиму воєнного стану та враховуючи невизначеність суб’єктів та об’єктів, їх функцій та завдань для дій в певних сферах, в тому числі і у сфері кібербезпеки, в мирний час, призвів до незлагодженості та неузгодженості цих дій суб’єктами забезпечення кібербезпеки держави. А враховуючи, що з введенням правового режиму воєнного стану певні суб’єкти міняють своє місцезнаходження, переміщують інформаційні активи та обладнання на нові місця дислокації з використанням хмарних сервісів, зазначене доволі сильно ускладнює процес узгодження та координації дій щодо реагування на кіберінциденти, а також усунення їх наслідків. Це призводить до вимушеного перерозподілу завдань та функцій по виконанню заходів кіберзахисту на різних об’єктах. За цих умов, на постійній чи тимчасовій основі створюються нові суб’єкти кіберзахисту, що потребує часу на набуття ними спроможностей для виконання завдань за призначенням. У такій ситуації Україна має бути здатною забезпечити свій соціально-економічний розвиток у цифровому світі, що вимагає набуття спроможності ефективно стримувати деструктивні дії в кіберпросторі, сталого реагування на загрози в кібернетичному просторі, досягнення кіберстійкості на всіх рівнях та взаємодії складових сектору безпеки і оборони щодо забезпечення кібербезпеки в рамках кібероборони держави. Отже, виходячи з необхідності наукового обґрунтування інституційних засад постає необхідним чітко визначити: “перелік суб’єктів забезпечення кібербезпеки щодо виконання дій, встановлених цим Протоколом”, як в мирний час так і в умовах правового режиму воєнного стану; зазначеним вище суб’єктам їх роль та місце, перелік та порядок дій під час реагування на кіберінциденти та усунення їхніх наслідків, як в мирний час так і в умовах правового режиму воєнного стану. При цьому, наукова новизна очікуваних результатів полягає в теоретичному обґрунтуванні та наданні практичних рекомендацій щодо вдосконалення механізмі
{"title":"ПРОТОКОЛ СПІЛЬНИХ ДІЙ СУБ’ЄКТІВ ЗАБЕЗПЕЧЕННЯ КІБЕРБЕЗПЕКИ ПІД ЧАС РЕАГУВАННЯ НА КІБЕРІНЦИДЕНТИ, А ТАКОЖ ПРИ УСУНЕННІ ЇХ НАСЛІДКІВ","authors":"Y. Zhyvylo, I. Romashko","doi":"10.26906/sunz.2024.1.066","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.066","url":null,"abstract":"Кіберпростір разом з іншими фізичними просторами визнано одним з театрів воєнних дій. Набирає сили тенденція зі створення кібервійськ (Дорожня карта створення Кібервійськ Збройних Сил України – наказ Генерального штабу Збройних Сил України, від 22.04.2022 №48) до завдань яких належить не лише забезпечення захисту критичної інформаційної інфраструктури держави від кібератак, а й проведення превентивних наступальних кібердій (проведення кібероперацій) у кіберпросторі, що включає порушення сталого функціонування критично важливих об’єктів інфраструктури противника шляхом руйнування електронно-комунікаційних систем, які управляють такими об’єктами. Прогнозується зростання інтенсивності міждержавного протиборства і розвідувально-підривної діяльності у кіберпросторі. Розширюється коло держав, які намагаються сформувати власну кіберрозвідку, оволодіти сучасними технологіями розвідувально-підривної діяльності у кіберпросторі, посилюють державний контроль за національними сегментами мережі Інтернет. Зважаючи на досвід ведення бойових дій під час введення правового режиму воєнного стану та враховуючи невизначеність суб’єктів та об’єктів, їх функцій та завдань для дій в певних сферах, в тому числі і у сфері кібербезпеки, в мирний час, призвів до незлагодженості та неузгодженості цих дій суб’єктами забезпечення кібербезпеки держави. А враховуючи, що з введенням правового режиму воєнного стану певні суб’єкти міняють своє місцезнаходження, переміщують інформаційні активи та обладнання на нові місця дислокації з використанням хмарних сервісів, зазначене доволі сильно ускладнює процес узгодження та координації дій щодо реагування на кіберінциденти, а також усунення їх наслідків. Це призводить до вимушеного перерозподілу завдань та функцій по виконанню заходів кіберзахисту на різних об’єктах. За цих умов, на постійній чи тимчасовій основі створюються нові суб’єкти кіберзахисту, що потребує часу на набуття ними спроможностей для виконання завдань за призначенням. У такій ситуації Україна має бути здатною забезпечити свій соціально-економічний розвиток у цифровому світі, що вимагає набуття спроможності ефективно стримувати деструктивні дії в кіберпросторі, сталого реагування на загрози в кібернетичному просторі, досягнення кіберстійкості на всіх рівнях та взаємодії складових сектору безпеки і оборони щодо забезпечення кібербезпеки в рамках кібероборони держави. Отже, виходячи з необхідності наукового обґрунтування інституційних засад постає необхідним чітко визначити: “перелік суб’єктів забезпечення кібербезпеки щодо виконання дій, встановлених цим Протоколом”, як в мирний час так і в умовах правового режиму воєнного стану; зазначеним вище суб’єктам їх роль та місце, перелік та порядок дій під час реагування на кіберінциденти та усунення їхніх наслідків, як в мирний час так і в умовах правового режиму воєнного стану. При цьому, наукова новизна очікуваних результатів полягає в теоретичному обґрунтуванні та наданні практичних рекомендацій щодо вдосконалення механізмі","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"47 8","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964714","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：