Анотація до роботи:

Вітько О.В. Багаторівневі ймовірнісні мережі для моделювання складних інформаційних систем в умовах невизначеності. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 01.05.04 – системний аналіз та теорія оптимальних рішень. Харківський національний університет радіоелектроніки, Харків, 2003.

Дисертаційна робота присвячена розробці багаторівневих ймовірнісних мереж, що дозволяють враховувати зміни у контексті, а також методів їх автоматичної побудови за навчальними даними для аналізу та моделювання складних інформаційних систем, що функціонують в умовах невизначеності. Розроблено нову архітектуру багаторівневої ймовірнісної метамережі. Метарівень дозволяє аналізувати і моделювати різновиди одного ймовірнісного процесу, що описується ймовірнісною мережею, в різних контекстах також за допомогою ймовірнісної мережі. На основі архітектури ймовірнісної метамережі розроблено три моделі ймовірнісних метамереж: С-метамережу, R-метамережу та комбіновану RC-метамережу, що відрізняються впливом контекстних атрибутів на прогнозуючу мережу. Модифіковані правила ймовірнісного виведення для розроблених метамереж. Набули подальшого розвитку методи відбудови ймовірнісних мереж з даних для багаторівневих моделей. Надано застосування ймовірнісних метамереж для задач фільтрації змісту Web та передбачення переваг користувача мобільної комерції, моделювання радіаційного ризику населення.

На основі проведеного аналізу сучасного стану моделювання складних інформаційних систем з причинно-наслідковими ймовірнісними залежностями серед параметрів, у дисертаційній роботі наведено теоретичне узагальнення і нове вирішення наукового завдання, що полягає в розробці моделей ймовірнісних метамереж і методів їх побудови за отриманими даними системи, що аналізується. На відміну від існуючих однорівневих ймовірнісних мереж розроблені метамережі дозволяють керувати параметрами і структурою прогнозуючої мережі і, таким чином, дозволяють обробляти неповні і надлишкові дані. Результати роботи є внеском у подальший розвиток інтелектуального аналізу даних у складних системах і теорії прийняття оптимальних рішень в умовах ймовірнісної невизначеності. Застосування на практиці розроблених моделей і методів дозволяє підвищити ефективність аналізу і моделювання складних інформаційних систем, що функціонують в умовах невизначеності. У зв’язку з цим у дисертаційній роботі:

1. Розглянуто і проаналізовано байєсівський підхід до обробки даних стохастичної природи, зокрема, до вирішення задачі класифікації. Розглянуто переваги байєсівських моделей і методів інтелектуального аналізу даних. Проведено дослідження представлення даних у вигляді ймовірнісних мереж. Проведено аналіз проблеми ймовірнісного виведення. Розглянуто основні задачі і проблеми навчання ймовірнісних мереж. Проведено аналіз існуючих підходів і методів вибору моделі ймовірнісної мережі.

2. Розроблено архітектуру багаторівневої ймовірнісної мережі (ймовірнісної метамережі), що дозволяє аналізувати і моделювати різновиди одного ймовірнісного процесу в різних контекстах, а також ймовірнісні зміни самого контексту за допомогою єдиного апарату ймовірнісних мереж. Основними характеристиками архітектури є окрема обробка контекстних і прогнозуючих атрибутів, керування зміною параметрів і керування структурою мережі при зміні контексту, можливість додавати метарівні для керування можливими змінами в контекстному рівні у випадку багаторівневих і вкладених контекстів.

3. Розроблено ймовірнісну метамережу, що керує умовними залежностями (C-метамережу). В основі моделі лежить формалізм ймовірнісної метамережі з визначенням зв’язків між рівнями, як відповідністю значень вершини верхнього рівня можливим таблицям умовних ймовірностей для байєсівського зв’язку в мережі нижнього рівня. Порівняно із звичайною ймовірнісною мережею модель дозволяє підвищити точність прогнозування, коли деякі параметри системи недоступні для вимірювання, за рахунок використання додаткової інформації – контекстних параметрів і умовних залежностей між ними.

4. Розроблено ймовірнісну метамережу, що керує добором атрибутів (R-метамережу). В основі моделі лежить формалізм ймовірнісної метамережі з визначенням зв’язків між рівнями, як відповідністю значень вершини верхнього рівня можливим релевантностям атрибута у вершині мережі нижнього рівня. Модель дозволяє підвищити точність прогнозування, коли в контекстах вимірювання кількох параметрів системи надає шумові дані, тобто параметри стають надлишковими.

5. Розроблено комбіновану ймовірнісну метамережу (RC-метамережу), що у загальному випадку має два верхніх рівні управління для кожного нижнього рівня і дозволяє обробляти і неповні дані, і надлишкові.

6. Модифіковано правила виведення у ймовірнісних мережах для багаторівневих моделей, що дає можливість ефективно здійснювати ймовірнісне виведення в умовах змінного контексту. Існуючі правила ймовірнісного виведення вперше розширені для урахування атрибутів контексту як керуючих параметрів для підвищення точності прогнозування або класифікації в умовах невизначеності. Ймовірнісне виведення ймовірностей цільового атрибута здійснюється застосуванням ймовірнісного виведення на метарівні, а потім на прогнозуючому рівні метамережі

7. Набули подальшого розвитку методи навчання ймовірнісних мереж для багаторівневих моделей. Для навчання багаторівневих метамереж додається етап навчання міжрівневих зв’язків, який дозволяє ефективно будувати метамережу з даних в умовах невизначеності; а також було запропоновано гібридний класифікатор, що є ансамблем класифікаторів k-NN, Naive Bayes і модифікованого k-NN, удосконаленого за рахунок застосування різниці ймовірностей як функції відстані замість різниці значень атрибутів.

8. Використання розробленої архітектури, моделей і методів дозволяє підвищити точність прогнозування, діагностики, прийняття рішень за рахунок використання контекстної інформації, а також підвищити швидкість обробки даних за рахунок декомпозиції однієї складної моделі системи на дві або більше простих.

9. Для проведення експериментальних досліджень розроблено програмний пакет BMNLearner та одержано підвищення точності класифікації за навчальними вибірками. Запропоновано вирішення ряду практичних задач з використанням багаторівневих ймовірнісних мереж. На прикладі інформаційної системи для вивчення радіаційного ризику для населення розглянуте використання ймовірнісних метамереж для задач моделювання складних систем. Розглянуто застосування ймовірнісних метамереж для задач моделювання переваг користувача в системах електронної і мобільної комерції, розроблено багаторівневу модель профайлів користувачів. Розроблено метод адаптації структури Web-сайтів на основі застосування ймовірнісних метамереж.

Публікації автора:

1. Терзиян В.Я., Витько А.В. Вероятностные метасети для решения задач интеллектуального анализа данных // Искусственный интеллект. – 2002. – № 3. – С. 188-197.

2. Витько А.В., Омелаенко Б.А. Стохастические модели машинного обучения // Вестник Харьковского государственного политехнического университета.– 1999.–Вып. № 47. – С. 9-10.

3. Витько А.В. Классификаторы k-Nearest Neighbours и Naive Bayes: построение гибридных методов // Вестник Харьковского государственного политехнического университета.– 1999. – Вып. № 58. – С. 28-30.

4. Витько А.В. Базовый алгоритм вероятностного вывода на байесовых сетях // Вестник Харьковского государственного политехнического университета.– 1999. – Вып. № 75. – С. 23-26.

5. Vitko O. Bayesian model averaging strategy for the class of linear models // Вестник Харьковского государственного политехнического университета. – 2000. – Вып. № 119. – С. 4-5.

6. Витько А.В. , Кузин Ю.В., Легеза А.В. Разработка метода адаптации ссылочной структуры Web-сайта на основе вероятностных сетей // Вестник НТУ «ХПИ». Сборник научных трудов. Тематический выпуск: Новые решения в современных технологиях. – Харьков: НТУ «ХПИ». – 2002. – № 20. – С. 31-38.

7. Терзиян В.Я., Витько А.В. Интеллектуальное управление информацией в мобильной электронной коммерции // Новости искусственного интеллекта. – 2001. – № 5-6. – С. 26-33.

8. Витько А.В. Проблемы обучения сетей Байеса с неизвестной структурой // Сборник научных трудов по материалам 4-го Международного молодежного форума «Радиоэлектроника и молодежь в XXI веке». – 2000.– Харьков: ХТУРЭ.– Ч.2. – С. 223-224.