Перегляд за Автор "Skrypnyk, Tetyana"
Зараз показуємо 1 - 4 з 4
Результатів на сторінці
Налаштування сортування
Документ Квантовий метод опорних векторів: розробка варіаційних алгоритмів для реалізації класифікації даних у технічних, природничих і соціально-економічних системах(Хмельницький національний університет, 2023) Казіонов, Максим; Скрипник, Тетяна; Бармак, Олександр; Kazionov, Maksym; Skrypnyk, Tetyana; Barmak, OlexsanderУ роботі наведені результати дослідження застосування квантового методу опорних векторів у різних сферах, зокрема в технічних, природничих і соціально-економічних системах. Для висвітлення способів застосування квантового підходу у технічних інформаційних системах було використано проблему класифікації зловмисного трафіку, для природничих систем – проблему класифікації якості води, для економічних систем – проблему класифікації відтоку клієнтів. У випадку класифікації зловмисного трафіку, квантова модель продемонструвала кращу ефективність порівняно з класичними методами, хоча час навчання був трохи більшим через обмежену доступність квантових комп'ютерів. Враховуючи потенціал квантового обчислення для обробки великого обсягу даних та складних аналітичних завдань, його застосування в кібербезпеці може сприяти виявленню та прогнозуванню кібератак, захисту мереж та систем від загроз, а також виявленню вразливостей і встановленню механізмів їх усунення. У випадку екологічних досліджень, класичні методи та квантовий класифікатор продемонстрували приблизно однакову якість класифікації, але результати не досягали еталонного рівня. Для поліпшення моделей можна використовувати кращі методи класифікації або комбінувати класичні методи з квантовими для отримання більш точних результатів. У випадку прогнозування відтоку клієнтів у фінансових задачах, квантовий метод опорних векторів перевершив класичні методи, що свідчить про його великий потенціал, який може бути реалізований у якісні результати у майбутньому. Для подальшого розвитку таких застосувань необхідно вдосконалювати алгоритми, збільшувати кількість квантових ресурсів та активно використовувати нові підходи до навчання та оптимізації моделей. The paper presents research results on the application of the quantum support vector machine method in various domains, including technical, natural, and socio-economic systems. To explore the utilization of the quantum approach in technical information systems, the problem of malicious traffic classification was investigated. For natural systems, the classification of water quality was addressed, while customer churn classification was tackled in economic systems. In the case of malicious traffic classification, the quantum model demonstrated superior effectiveness compared to classical methods, albeit with slightly longer training times due to limited availability of quantum computers. Considering the potential of quantum computing in processing large volumes of data and complex analytical tasks, its application in cybersecurity can contribute to the detection and prediction of cyber-attacks, network and system protection against threats, as well as the identification of vulnerabilities and the establishment of mitigation mechanisms. Regarding ecological research, classical methods and the quantum classifier showcased similar classification quality, but the results did not reach the benchmark level. To enhance the models, one can leverage improved classification methods or combine classical and quantum approaches to achieve more precise results. In the context of customer churn prediction in financial tasks, the quantum support vector machine method outperformed classical methods, highlighting its significant potential for yielding high-quality results in the future. To further develop such applications, algorithm refinement, increased availability of quantum resources, and the active utilization of new approaches for training and model optimization are necessary.Документ Квантові згорткові нейронні мережі: особливості реалізації у технічних, природничих і соціально-економічних системах(Хмельницький національний університет, 2023) Гринько, Ірина; Скрипник, Тетяна; Бармак, Олександр; Hrynko, Iryna; Skrypnyk, Tetyana; Barmak, OlexanderУ роботі проведені аналіз та дослідження застосування квантових згорткових нейронних мереж для технічних, природничих і соціально-економічних інформаційних систем. Квантові згорткові нейронні мережі є новим підходом до обробки інформації, який базується на принципах квантової механіки та штучного інтелекту. В технічних системах досліджено можливість застосування квантових згорткових нейронних мереж для розв'язання складних задач, таких як спроби злому криптографічних ключів та криптографічного шифрування. Результати показали, що квантові згорткові нейронні мережі можуть забезпечити більш точні та швидкі обчислення в порівнянні з класичними нейронними мережами. У природничих системах проведено дослідження використання квантових згорткових нейронних мереж для моделювання та прогнозування складних природних процесів. Досліджено їхню ефективність у розумінні та вивченні складних молекулярних структур. Виявлено, що квантові згорткові нейронні мережі можуть забезпечити більш точні та швидкі результати у порівнянні зі звичайними методами обробки даних. У соціально-економічних системах досліджено можливості використання квантових згорткових нейронних мереж для аналізу соціальних мереж, прогнозування фінансових ринків та криптовалют. Виявлено, що застосування квантових згорткових нейронних мереж може покращити точність прогнозування та забезпечити більш ефективне прийняття рішень у соціально-економічних системах. Результати дослідження підтвердили, що квантові згорткові нейронні мережі мають потенціал для використання в різних сферах, включаючи технічні, природничі та соціально-економічні системи. Вони здатні досягти більшої точності, швидкості обробки та прогностичної здатності порівняно з традиційними методами.Документ Метод побудови ансамблів моделей для класифікації даних на основі кореляційних зв’язків рішень(Хмельницький національний університет, 2022) Стебелецький, Мирослав; Манзюк, Едуард; Скрипник, Тетяна; Багрій, Руслан; Stebeletskyi, Myroslav; Manziuk, Eduard; Skrypnyk, Tetyana; Bahriy, RuslаnУ науковій роботі висвітлюється проблема підвищення точності передбачень бінарної класифікації із використанням алгоритмів машинного навчання. Основою інформаційної системи бінарної класифікації виступає ансамблева модель. Ця мо дель, в свою чергу, містить набір унікальних комбінацій базових класифікаторів – свого роду алгоритмічні примітиви. Ансамблева модель може розглядатись як деякий мета-алгоритм, який складається із унікальних наборів алгоритмів класифікації машинного навчання (ML). Завданням ансамблевої моделі являється знаходження такої комбінації базових алгоритмів класифікації, яка б давала найвищі показники результативності. Результативність оцінюється згідно з основними метриками ML у завданнях класифікації. Іншим аспектом наукової роботи є створення агрегаційного механізму задля поєднання результатів базових алгоритмів класифікації. Тобто кожна унікальна комбінація у середині ансамблю складається із набору базових моделей (передвісників), результати яких потрібно агрегувати. У даній роботі задля агрегування (усереднення) передбачень базових моделей використовується неієрархічний метод кластеризації. Особливістю цього дослідження є знаходження коефіцієнтів кореляцій базових моделей у кожній комбінації. За допомогою величини кореляцій встановлюється залежність між передбаченням класифікатора (базова модель) та істинним значенням, в результаті чого відкривається простір для подальших досліджень щодо покращення ансамблевої моделі (мета-алгоритму).Документ Метод розпізнавання обличчя під довільним кутом зору(Хмельницький національний університет, 2023) Добржанський, Володимир; Бармак, Олександр; Скрипник, Тетяна; Dobrzhanskyi, Volodymyr; Barmak, Oleksandr; Skrypnyk, TetyanaУ статті висвітлюється проблема використання технології розпізнавання обличчя в індустріальних застосуваннях. Незважаючи на інтеграцію цієї технології, існують відкриті виклики, такі як верифікація та ідентифікація осіб з різних поз. Особливу проблему становить відсутність належних досліджень у сфері розпізнавання обличчя в відео, зокрема в системах відеоспостереження, де в якості посилання використовуються знімки, отримані зі спеціальних кутів зору (POV). Ці виклики підкреслені в контексті використання фотографій, знятих фронтально та з правого профілю, які традиційно збираються поліцією. Для вирішення цих проблем і заповнення дослідницької ніші пропонується новий підхід у вигляді бази даних з розпізнавання обличчя за знімками (FRMDB). Ця база включає 28 знімків та 5 відео, отриманих з різних кутів зору для 39 унікальних об'єктів. Основною метою FRMDB є аналіз впливу використання знімків з різних кутів зору на точність розпізнавання обличчя на кадрах відеоспостереження. Для перевірки ефективності FRMDB та порівняння з існуючими даними проведено тести точності, використовуючи дві глибокі нейронні мережі (CNN), а саме VGG16 і ResNet50. Для цього вони були передзавантажені на попередньо навчені набори даних VGGFace та VGGFace2 для вилучення ознак обличчя. Порівняльний аналіз результатів проведено із застосуванням даних з існуючого дослідження, а саме, Бази даних обличчя з камер відеоспостереження (SCFace). Результати підкреслюють, що піднабір знімків, який включає фронтальні та праві профільні зображення, показує найнижчий рівень точності серед варіантів, що були протестовані. Це вказує на необхідність додаткового дослідження для визначення оптимальної кількості знімків для ефективного розпізнавання обличчя на кадрах відеоспостереження.