INJOIT vol. 10, no. 6

Вышел шестой номер журнала INJOIT в 2022 году. И десятый год издания журнала.

Темы статей:

• Об одной задаче анализа топологии коммуникационных сетей
• Оценка использования рекомендаций ITU на лесных территориях при распространении сигнала GSM
• Проблемы при использовании кодовой хэш-функции для схемы подписи CFS, построенной на кодах Гоппы
• Связь простоты турнира с различными значениями его диаметра
• Отраженные функции и периодичность
• Концептуальная UML-модель системы учета занятий в детском центре и ее реализация
• Системы счисления в древности и современности
• Java Garbage Collectors
• Прогнозирование временных рядов при обработке потоковых данных в реальном времени
• Выявление аномалий при обработке потоковых данных в реальном времени
• От каналов к пакетам: выполнима ли миссия?
• Системный подход к математическому моделированию и выбору режима работы подсистемы сложной системы
• Разработка мобильного приложения, оказывающего помощь людям болеющим дальтонизмом
• Модель управления оружием, основанная на технологии Интернета вещей Huawei
• Визуальный анализ данных пассажиропотоков московского метрополитена
• Исследование подходов к разработке умных объектов

Архив журнала находится здесь.

/via Лаборатория ОИТ

Меньше, да лучше

Техники уменьшения размерности - Principal Component Analysis (PCA), Linear discriminant analysis (LDA), Independent Component Analysis (ICA), Multi-dimensional Scaling (MDS), Isometric mapping (ISOMAP), t-Distributed Stochastic Neighbor Embedding (t-SNE). Когда и что использовать?

Открытая наука том 10, номер 5

Очередной номер журнала INJOIT появился на сайте Киберленинка.

Это том 10, номер 5 за 2022 год. По данным elibrary.ru, журнал INJOIT занимает второе место в разделе Кибернетика и второе в разделе Автоматика и вычислительная техника

/via Лаборатория ОИТ

Глубоко о Deep Learning

The Principles of Deep Learning Theory - An Effective Theory Approach to Understanding Neural Networks. Новая книга в свободном доступе.

О Random Forests

Kaggle учебник - как реально работает Random Forests

ML в кибербезопасности

Обзор применений машинного обучения в кибербезопасности

Shaukat, Kamran, et al. "A survey on machine learning techniques for cyber security in the last decade." IEEE Access 8 (2020): 222310-222354.

ARCore Geospatial API

Создавайте глобальные, иммерсивные, основанные на местоположении AR-приложения с помощью ARCore Geospatial API

Визуальное позиционирование позволяет привязывать собственные действия (данные) к произвольным объектам

LPWAN

Обзор технологий LPWAN

О цифровых двойниках

1. Хороший обзор архитектурных моделей цифровых двойников

2. Приложения и направления исследований для цифровых двойников

Заполнить пробелы

Хорошо представленное руководство по восстановлению пропущенных данных

Как сделать компилятор

Книга в открытом доступе ntroduction to Compilers and Language Design

P.S. и дискуссия на YC с полезными ссылками

Human Level AI

Yann Lecun:

About the raging debate regarding the significance of recent progress in AI, it may be useful to (re)state a few obvious facts:
(0) there is no such thing as AGI. Reaching "Human Level AI" may be a useful goal, but even humans are specialized.
(1) the research community is making *some* progress towards HLAI
(2) scaling up helps. It's necessary but not sufficient, because....
(3) we are still missing some fundamental concepts
(4) some of those new concepts are possibly "around the corner" (e.g. generalized self-supervised learning)
(5) but we don't know how many such new concepts are needed. We just see the most obvious ones.
(6) hence, we can't predict how long it's going to take to reach HLAI.

I really don't think it's just a matter of scaling things up. We still don't have a learning paradigm that allows machines to learn how the world works, like human and many non-human babies do.

Some may believe that scaling up a giant transformer trained on sequences of tokenized inputs is enough.
Others believe "reward is enough".
A few others believe that explicit symbol manipulation is necessary.
A few don't believe gradient-based learning is part of the solution.

I believe we need to find new concepts that would allow machines to:
- learn how the world works by observing, like babies.
- learn to predict how one can influence the world through taking actions.
- learn hierarchical representations that allows long-term predictions in abstract representation spaces.
- properly deal with the fact that the world is not completely predictable.
- enable agents to predict the effects of sequences of actions so as to be able to reason and plan
- enable machines to plan hierarchically, decomposing a complex task into subtasks.
- all of this in ways that are compatible with gradient-based learning.

The solution is not just around the corner. We have a number of obstacles to clear, and we don't know how.

Программа исследований ...

Алгоритмы ML

Сводка по алгоритмам машинного обучения. Когда что применять.

P.S. см. также другие публикации, посвященные алгоритмам

Отравленный ИИ

Bloomberg о проблеме отравления данных в машинном обучении. Для бэкдора в системе на базе ML может быть достаточно специальным образом изменить вего лишь 0.7% данных.

Такова жизнь

Реальная производительность приложений машинного обучения. А если будут еще и состязательные примеры?

5G AR Digital Twin

Все модные направления в одном проекте - цифровой двойник в дополненной реальности инспектирует ЖД пути с помощью 5G

См. также другие публикации, посвященные digital twins

Мониторинг систем машинного обучения

Хорошее объяснение проблем мониторинга систем машинного обучения

См. также другие публикации по мониторингу

NFT - пузырь?

Отрицательный рост на рынке NFT

За решения ответишь

AI системы должны отвечать за свои решения

Описательные статистики

Практический материал - использование описательной статистики

DAG и причинность

Directed Acyclic Graphs и причинно-следственные связи

WoS - все

База Web of Science - недоступна в России

Как это устроено в Google

Интересная книга - Software Engineering at Google. Как устроена программная разработка в Google: Lessons Learned from Programming Over Time

P.S. И бурное обсуждение на YC

INJOIT vol. 10, no. 5

Вышел пятый номер журнала INJOIT в 2022 году. И десятый год издания журнала.

Темы статей:

• Полурешётки подмножеств потенциальных корней в задачах теории формальных языков. Часть II. Построение инверсного морфизма
• A Survey of Adversarial Attacks and Defenses for image data on Deep Learning
• Applying a probabilistic algorithm to spam filtering
• A Prediction Model for Lung Cancer Levels Based on Machine Learning
• On a formal verification of machine learning systems
• Система поддержки принятия решений при выборе наилучшей альтернативы (на примере оптовой закупки коровьего молока)
• Contrast and Contrast Enhancement (in Logic of Visual Perception of Graphic Information)
• Имитационная модель обработки данных ветроэлектростанции на основе нейронной сети
• Multi-Objective Model Predictive Control
• Практическое применение функционального программирования и регулярных выражений в библиометрическом анализе
• Классификация потоков данных комплексов управления и принципы дифференциации на модули элементов таких систем
• Построение семейства сценариев использования с целью анализа функциональной безопасности систем управления
• Об Основах Методологии Оценки Качества Больших Технических Систем в Процессе Эксплуатации

Архив журнала находится здесь.

/via OIT Lab