[1] Журавлев Ю. И.
Об отделимости подмножеств вершин n-мерного единичного куба // Труды математического института им. В. А. Стеклова. — 1958. — Т. LI. — С. 143–157.
www.ccas.ru/frc/papers/zhuravlev58separability.pdf
[2] Журавлев Ю. И.
Теоретико-множественные методы в алгебре логики // Проблемы кибернетики. — 1962. — Т. 8. — С. 5–44.
www.ccas.ru/frc/papers/zhuravlev62settheory.pdf
[3] Журавлев Ю. И.
Экстремальные задачи, возникающие при обосновании эвристических процедур // Приблемы прикладной математики и механики. — М.: Наука, 1971. — С. 67–74.
www.ccas.ru/frc/papers/zhuravlev71extremal.pdf
[4] Журавлев Ю. И.
Об алгебраическом подходе к решению задач распознавания или классификации // Проблемы кибернетики. — 1978. — Т. 33. — С. 5–68.
www.ccas.ru/frc/papers/zhuravlev78prob33.pdf
Основополагающая работа по алгебраическому подходу к проблеме распознавания. Проводится анализ существующих моделей алгоритмов. Предлагается универсальная схема построения алгоритмов распознавания в виде суперпозиций алгоритмических операторов, корректирующих операций и решающих правил. Построение корректных алгоритмов указанного вида предлагается вести алгебраическими методами — путем синтеза базиса в алгебраическом замыкании модели алгоритмов и поиска алгоритма в виде разложения по базису. Такой подход позволяет отказаться от использования трудоемких оптимизационных процедур и обеспечить корректность алгоритма «по построению». Вводятся понятия разрешимости и регулярности задач распознавания и полноты моделей алгоритмов. Доказывается полнота некоторых алгебраических замыканий.
[5] Zhuravlev J. I.
An algebraic approach to recognition or classifications problems // Pattern Recognition and Image Analysis. — 1998. — Vol. 8, no. 1. — Pp. 59–100.
www.ccas.ru/frc/papers/zhuravlev78prob33-eng.pdf
The English version of [4].
[6] Журавлев Ю. И., Рудаков К. В.
Об алгебраической коррекции процедур обработки (преобразования) информации // Проблемы прикладной математики и информатики. — 1987. — С. 187–198.
www.ccas.ru/frc/papers/zhurrud87correct.pdf
[7] Журавлев Ю. И.
Об алгебраических методах в задачах распознавания и классификации // Распознавание, классификация, прогноз. — 1988. — Т. 1. — С. 9–16.
www.ccas.ru/frc/papers/zhuravlev88rkp.pdf
[8] Журавлев Ю. И., Гуревич И. Б.
Распознавание образов и распознавание изображений // Распознавание, классификация, прогноз. — 1989. — Т. 2. — С. 5–73.
www.ccas.ru/frc/papers/zhuravlev89gurevich.pdf
[9] Бушманов О. Н., Дюкова Е. В., Журавлев Ю. И., Кочетков Д. В., Рязанов В. В.
Система анализа и распознавания образов // Распознавание, классификация, прогноз. — 1989. — Т. 2. — С. 250–273.
www.ccas.ru/frc/papers/bushmanov89obraz.pdf
[10] Zhuravlev J. I.
Algebraic methods in recognition and classification problems // Pattern Recognition and Image Analysis. — 1991. — Vol. 1, no. 1.
www.ccas.ru/frc/papers/zhuravlev90pria-eng.pdf
[11] Zhuravlev J. I., Gurevich I. B.
Pattern recognition and image recognition // Pattern Recognition and Image Analysis. — 1991. — Vol. 1, no. 2.
www.ccas.ru/frc/papers/zhuravlev91gurevich-eng.pdf
[12] Zhuravlev J. I.
Algebraic methods for designing algorithms for pattern recognition and forecasting // Pattern Recognition and Image Analysis. — 1999. — Vol. 9, no. 4. — Pp. 790–791.
www.ccas.ru/frc/papers/zhuravlev99pria-eng.pdf
[13] Журавлев Ю. И.
Об алгоритмах распознавания с представительными наборами (о логических алгоритмах) // ЖВМиМФ. — 2002. — Т. 42, N° 9. — С. 1425–1435.
www.ccas.ru/frc/papers/zhuravlev02jvm.pdf
[14] Zhuravlev J. I.
Recognition algorithms with representative sets // Computational Mathematics and Mathematical Physics. — 2002. — Vol. 42, no. 9. — Pp. 1372–1382.
www.ccas.ru/frc/papers/zhuravlev02jvm-eng.pdf
The English version of [13].
[15] Рудаков К. В.
О корректности алгоритмов распознавания типа потенциальных функций // ЖВМиМФ. — 1980. — Т. 20, N° 3. — С. 738–744.
www.ccas.ru/frc/papers/rudakov80correct.pdf
[16] Березина В. В., Рудаков К. В.
О моделях алгоритмов распознавания для решения одной задачи медицинского прогнозирования // Кибернетика. — 1983. — N° 4. — С. 116–119.
www.ccas.ru/frc/papers/rudakov83medic.pdf
[17] Ашуров А. Р., Рудаков К. В.
Алгоритмы вычисления оценок для задачи распознавания объектов с континуальной начальной информацией // ЖВМиМФ. — 1984. — Т. 24, N° 12. — С. 1871–1880.
www.ccas.ru/frc/papers/rudakov84avo.pdf
[18] Рудаков К. В.
О некоторых универсальных ограничениях для алгоритмов классификации // ЖВМиМФ. — 1986. — Т. 26, N° 11. — С. 1719–1730.
www.ccas.ru/frc/papers/rudakov86universal.pdf
[19] Рудаков К. В.
О симметрических и функциональных ограничениях для алгоритмов классификации // ДАН СССР. — 1987. — Т. 297, N° 1. — С. 43–46.
www.ccas.ru/frc/papers/rudakov87dan.pdf
[20] Rudakov K. V.
On symmetric and functional restrictions for classification algorithms // Soviet Math. Dokl. — 1988. — Vol. 36, no. 3. — Pp. 428–431.
www.ccas.ru/frc/papers/rudakov87dan-eng.pdf
The English version of [19].
[21] Рудаков К. В.
Симметрические и функциональные ограничения в проблеме коррекции эвристических алгоритмов классификации // Кибернетика. — 1987. — N° 4. — С. 73–77.
www.ccas.ru/frc/papers/rudakov87symmetr.pdf
[22] Рудаков К. В.
Универсальные и локальные ограничения в проблеме коррекции эвристических алгоритмов // Кибернетика. — 1987. — N° 2. — С. 30–35.
www.ccas.ru/frc/papers/rudakov87universal.pdf
[23] Рудаков К. В.
Об алгебраической теории универсальных и локальных ограничений для задач классификации // Распознавание, Классификация, Прогноз. — 1988. — Т. 1. — С. 176–200.
www.ccas.ru/frc/papers/rudakov88rkp.pdf
[24] Рудаков К. В., Трофимов С. В.
Алгоритм синтеза корректных процедур распознавания для задач с непересекающимися классами // ЖВМиМФ. — 1988. — Т. 28, N° 9. — С. 1431–1434.
www.ccas.ru/frc/papers/rudakov88trofim.pdf
[25] Рудаков К. В.
О применении универсальных ограничений при исследовании алгоритмов классификации // Кибернетика. — 1988. — N° 1. — С. 1–5.
www.ccas.ru/frc/papers/rudakov88universal.pdf
[26] Рудаков К. В., Воронцов К. В.
О методах оптимизации и монотонной коррекции в алгебраическом подходе к проблеме распознавания // Докл. РАН. — 1999. — Т. 367, N° 3. — С. 314–317.
www.ccas.ru/frc/papers/rudvoron99dan.pdf
Предлагается оптимизационный метод построения алгоритмических композиций, основанный на алгебраическом подходе к проблеме распознавания. Для построения композиции решается последовательность оптимизационных задач. На каждом шаге метода в композицию добавляется один алгоритм и перенастраивается корректирующая операция. Подробно рассматривается случай монотонных корректирующих операций. Описываются эффективные алгоритмы построения нелинейных монотонных корректирующих операций для задач распознавания и восстановления регрессии. Более подробное изложение и доказательства см. в [58, 60].
[27] Рудаков К. В., Чехович Ю. В.
Алгебраический подход к проблеме синтеза обучаемых алгоритмов выделения трендов // Доклады РАН. — 2003. — Т. 388, N° 1. — С. 33–36.
www.ccas.ru/frc/papers/rudakov03chehovich.pdf
[28] Rudakov K. V., Chehovich J. V.
Algebraic approach to the problem of synthesis of trainable algorithms for trend revealing // Doklady Mathematics. — 2003. — Vol. 67, no. 1. — Pp. 127–130.
www.ccas.ru/frc/papers/rudakov03chehovich-eng.pdf
The English version of [27].
[29] Рудаков К. В., Чехович Ю. В.
Критерии полноты моделей алгоритмов и семейств решающих правил для задач классификации с теоретико-множественными ограничениями // Доклады РАН. — 2004. — Т. 394, N° 4. — С. ?
www.ccas.ru/frc/papers/rudakov04chehovich-dan1.pdf
В контексте алгебраического подхода к синтезу корректных алгоритмов распознавания образов, классификации и прогнозирования рассматривается класс задач, характеризующийся наличием явным образом заданных теоретико-множественных ограничений на множество допустимых ответов алгоритма.
[30] Rudakov K. V., Chehovich J. V.
Completeness criteria for models of algorithms and decision rule classes in classification problem with set-theoretic constraints // Doklady Mathematics. — 2004. — Vol. 69, no. 1. — Pp. 149–151.
www.ccas.ru/frc/papers/rudakov04chehovich-dan1-eng.pdf
The English version of [29].
[31] Матросов В. Л.
Корректные алгебры ограниченной емкости над множествами некорректных алгоритмов // ДАН СССР. — 1980. — Т. 253, N° 1. — С. 25–30.
www.ccas.ru/frc/papers/matrosov80dan.pdf
[32] Djukova E. V., Zhuravlev J. I., Rudakov K. V.
Algebraic-logic synthesis of correct recognition procedures based on elementary algorithms // Computational Mathematics and Mathematical Physics. — 1996. — Vol. 36, no. 8. — Pp. 1161–1167.
www.ccas.ru/frc/papers/djukova96jvm-eng.pdf
[33] Djukova E. V., Zhuravlev J. I.
Discrete methods of information analysis in recognition and algorithms synthesis // Pattern Recognition and Image Analysis. — 1997. — Vol. 7, no. 2. — Pp. 192–207.
www.ccas.ru/frc/papers/djukova97discrete.pdf
[34] Дюкова Е. В., Инякин А. С.
Задача таксономии и тупиковые покрытия целочисленной матрицы. — М.: ВЦ РАН, 2003. — 25 с.
www.ccas.ru/frc/papers/djukova01taxon.pdf
[35] Kirnos E. A., Pyt'ev Y. P., Djukova E. V.
Training kora-type algorithms // Pattern Recognition and Image Analysis. — 2002. — Vol. 12, no. 1. — Pp. 19–25.
www.ccas.ru/frc/papers/djukova01training.pdf
[36] Дюкова Е. В., Песков Н. В.
Поиск информативных фрагментов описаний объектов в дискретных процедурах распознавания // ЖВМиМФ. — 2002. — Т. 42, N° 5. — С. 741–753.
www.ccas.ru/frc/papers/djukova02poisk.pdf
[37] Djukova E. V., Peskov N. V.
Selection of typical objects in classes for recognition problems // Pattern Recognition and Image Analysis. — 2002. — Vol. 12, no. 3. — P. 243√249.
www.ccas.ru/frc/papers/djukova02selection.pdf
[38] Дюкова Е. В.
Дискретные (логические) процедуры распознавания: принципы конструирования, сложность реализации и основные модели. — 2003. — Приложение к учебному пособию.
www.ccas.ru/frc/papers/djukova03appendix.pdf
[39] Дюкова Е. В., Инякин А. С.
О процедурах классификации, основанных на построении покрытий классов // ЖВМиМФ. — 2003. — Т. 43, N° 12. — С. 1910–1921.
www.ccas.ru/frc/papers/djukova03covering.pdf
[40] Djukova E. V., Inyakin A. S.
Classification procedures based on the construction of class coverings // Computational Mathematics and Mathematical Physics. — 2003. — Vol. 43, no. 12. — P. 1812√1822.
www.ccas.ru/frc/papers/djukova03covering-eng.pdf
The English version of [39].
[41] Djukova E. V.
Discrete recognition procedures: The complexity of realization // Pattern Recognition and Image Analysis. — 2003. — Vol. 13, no. 1. — Pp. 8–10.
www.ccas.ru/frc/papers/djukova03discrete.pdf
[42] Djukova E. V.
Discrete (logic) recognition procedures: Principles of construction, complexity of realization, and basic models // Pattern Recognition and Image Analysis. — 2003. — Vol. 13, no. 1. — Pp. 417–425.
www.ccas.ru/frc/papers/djukova03discretelogic.pdf
[43] Djukova E. V., Inyakin A. S., Peskov N. V.
Methods of combinatorial analysis in synthesis of efficient recognition algorithms // Pattern Recognition and Image Analysis. — 2003. — Vol. 13, no. 3. — Pp. 426–432.
www.ccas.ru/frc/papers/djukova03methods.pdf
[44] Дюкова Е. В.
Дискретные (логические) процедуры распознавания: принципы конструирования, сложность реализации и основные модели. — М.: Прометей, 2003. — 29 с. — Учебное пособие для студентов математических факультетов педвузов.
www.ccas.ru/frc/papers/djukova03mp.pdf
В учебном пособии изложены общие принципы, лежащие в основе дискретного подхода к задачам распознавания, центральной проблемой которого является поиск информативных фрагментов признаковых описаний объектов. При поиске информативных фрагментов используется аппарат логических функций, в частности методы преобразования нормальных форм булевых функций, а также теория покрытий булевых и целочисленных матриц. Рассматриваются основные модели дискретных (логических) процедур распознавания и изучаются вопросы, связанные со сложностью их реализации.
[45] Djukova E. V., Inyakin A. S., Peskov N. V.
Recent trends in discrete analysis of information in recognition problems // Pattern Recognition and Image Analysis. — 2003. — Vol. 13, no. 1. — Pp. 11–13.
www.ccas.ru/frc/papers/djukova03recent.pdf
[46] Djukova E. V., Inyakin A. S., Peskov N. V., Sakharov A. A.
Combinatorial (logical) data analysis in pattern recognition problems // Pattern Recognition and Image Analysis. — 2005. — Vol. 15, no. 1. — Pp. 46–48.
www.ccas.ru/frc/papers/djukova05combinatorial.pdf
[47] Дюкова Е. В., Песков Н. В.
Построение распознающих процедур на базе элементарных классификаторов // Математические вопросы кибернетики / Под ред. О. Б. Лупанов. — М.: Физматлит, 2005. — Т. 14.
www.ccas.ru/frc/papers/djukova05construction.pdf
[48] Дюкова Е. В.
О числе тупиковых покрытий целочисленной матрицы // ЖВМиМФ. — 2005. — Vol. 45, no. 5. — Pp. 935–940.
www.ccas.ru/frc/papers/djukova05number.pdf
[49] Djukova E. V.
On the number of irreducible coverings of an integer matrix // Computational Mathematics and Mathematical Physics. — 2005. — Vol. 45, no. 5. — Pp. 903–908.
www.ccas.ru/frc/papers/djukova05number-eng.pdf
The English version of [48].
[50] Dem▓yanov E. A., Djukova E. V., Inyakin A. S., Peskov N. V.
An analysis of the results of polls with the aim of classifying the regions of the russian federation // Pattern Recognition and Image Analysis. — 2005. — Vol. 15, no. 2. — Pp. 536–538.
www.ccas.ru/frc/papers/djukova05polls.pdf
[51] Djukova E. V., Inyakin A. S., Peskov N. V., Sakharov A. A.
Increasing the efficiency of combinatorial logical data analysis in recognition and classification problems // Pattern Recognition and Image Analysis. — 2005. — Vol. 16, no. 4. — Pp. 707–711.
www.ccas.ru/frc/papers/djukova06increasing.pdf
[52] Ryazanov V. V., Sen'ko O. V., Zhuravlev J. I.
Methods for recognition and prediction based on the voting procedures // Pattern Recognition and Image Analysis. — 1999. — Vol. 9, no. 4. — Pp. 713–718.
www.ccas.ru/frc/papers/ryazanov99pria-eng.pdf
[53] Сенько О. В.
Перестановочный тест в методе оптимальных разбиений // ЖВМиМФ. — 2003. — Т. 43, N° 9. — С. 1438–1447.
www.ccas.ru/frc/papers/senko03jvm.pdf
[54] Воронцов К. В., Кобзева Н. В.
Численные методы обработки данных для высокоэффективной жидкостной хроматографии // Информационные проблемы клинической токсикологии. — Москва, 1993.
www.ccas.ru/frc/papers/voron93remedi.pdf
Рассматривается алгоритм идентификации лекарственных препаратов в биосредах организма по данным жидкостной хроматографии. Алгоритм основан на матричном подходе к обработке числовых данных, поступающих со сканирующего ультрафиолетового детектора. Более полное использование первичных данных в совокупности с математическим моделированием формы хроматографических пиков позволяет существенно улучшить качество идентификации. Алгоритм позволяет корректно выделять спектры веществ, отсутствующих в базе данных системы, эффективно (в сотни раз) сжимать ранее полученные хроматограммы практически без потери точности представления данных, ускорить самообучение системы, повысить чувствительность прибора при предельно низких концентрациях. Все предлагаемые модификации относятся к программному обеспечению и не затрагивают аппаратной части хроматографической установки.
[55] Воронцов К. В.
Предварительная обработка данных для решения задач распознавания в жидкостной хроматографии. — Дипломная работа. Московский физико-технический институт. — 1994.
www.ccas.ru/frc/papers/voron94diplom.pdf
Рассматривается один из подходов к идентификации компонентов смеси химических веществ по данным высокоэффективной жидкостной хроматографии. Предлагаемые алгоритмы ориентированы на обработку исходных данных системы экстренной токсикологии REMEDI (Bio-Rad Laboratories, США), предназначенной для оперативного анализа образцов плазмы крови.
[56] Воронцов К. В.
Предварительная обработка данных для решения специального класса задач распознавания // ЖВМ и МФ. — 1995. — Т. 35, N° 10. — С. 1565–1575.
www.ccas.ru/frc/papers/voron95jvm.pdf
Рассматриваются алгоритмы предварительной обработки данных для прикладной задачи, описанной в [54].
[57] Vorontsov K. V.
Preliminary data processing for a special class of recognition problems // Comp. Maths Math. Phys. — 1995. — Vol. 35, no. 10. — Pp. 1259–1267.
www.ccas.ru/frc/papers/voron95jvm-eng.pdf
The English version of [56].
[58] Воронцов К. В.
О проблемно-ориентированной оптимизации базисов задач распознавания // ЖВМ и МФ. — 1998. — Т. 38, N° 5. — С. 870–880.
www.ccas.ru/frc/papers/voron98jvm.pdf
Предлагается оптимизационный метод построения алгоритмических композиций, основанный на алгебраическом подходе к проблеме распознавания. На каждом шаге метода в композицию добавляется один алгоритм, который настраивается по обучающей выборке совместно с корректирующей операцией. Подробно рассматривается случай монотонных корректирующих операций, для него доказывается сходимость метода. Вводится функционал качества алгоритма, равный числу дефектных пар обучающих объектов на заданной выборке. Описываются алгоритмы монотонизации выборки, необходимые для построения монотонной корректирующей операции.
[59] Vorontsov K. V.
The task-oriented optimization of bases in recognition problems // Comp. Maths Math. Phys. — 1998. — Vol. 38, no. 5. — Pp. 838–847.
www.ccas.ru/frc/papers/voron98jvm-eng.pdf
The English version of [58].
[60] Воронцов К. В.
Оптимизационные методы линейной и монотонной коррекции в алгебраическом подходе к проблеме распознавания // ЖВМ и МФ. — 2000. — Т. 40, N° 1. — С. 166–176.
www.ccas.ru/frc/papers/voron00jvm.pdf
Рассматривается оптимизационный метод построения алгоритмических композиций, основанный на алгебраическом подходе к проблеме распознавания. На каждом шаге метода в композицию добавляется один алгоритм, который настраивается по обучающей выборке совместно с корректирующей операцией. Предлагаются формулы пересчета весов и ответов на обучающих объектах, с помощью которых данная оптимизационная задача сводится к стандартной. Настройка алгоритма преследует две цели одновременно: аппроксимировать обучающую выборку и компенсировать совокупный дефект предыдущих алгоритмов. Вводится специальный параметр, позволяющий на каждом шаге перераспределять приоритет между этими двумя целями. Рассматриваются модификации метода, предназначенные для решения задач классификации и восстановления регрессии с использованием линейных и монотонных корректирующих операций.
[61] Воронцов К. В., Пшеничников С. Б.
Имитационное моделирование торгов: новая технология биржевых тренажеров // Индикатор. — 2002. — N° 2(42).
www.ccas.ru/frc/papers/voron02imitrade.pdf
В статье представляется биржевой тренажер Имитрейд, позволяющий освоить навыки биржевых операций в условиях, максимально приближенных к реальным торгам. В тренажере используется имитационная модель торгов, способная в точности воспроизводить реальную торговую сессию и адекватно реагировать на возмущающие воздействия обучаемых.
[62] Воронцов К. В.
Проблемно-ориентированные методы алгебраического подхода. — 2002.
www.ccas.ru/frc/papers/voron02po4.pdf
Конспект 4 лекций, прочитанных в 2001–2003 г.г. на кафедре Математических методов прогнозирования ВМиК МГУ в дополнение к курсу К. В. Рудакова «Математические методы классификации и прогнозирования».
[63] Воронцов К. В.
Имитационное моделирование реальных биржевых торгов // ИММОД-2003: 1-ая Всеросс. конф.: Докл. — СПб., 2003. — С. 25–29.
www.ccas.ru/frc/papers/voron03imitrade.pdf
Рассматривается имитационная модель биржевых торгов, позволяющая детально воспроизводить реальные торговые сессии ММВБ. Для настройки модели используются методы распознавания образов. В докладе описываются основные свойства и строение модели, рассматривается биржевой тренажер Имитрейд и другие прикладные задачи, решаемые с помощью данной модели.
[64] Воронцов К. В.
Комбинаторные обоснования обучаемых алгоритмов // ЖВМиМФ. — 2004. — Т. 44, N° 11. — С. 2099–2112.
www.ccas.ru/frc/papers/voron04jvm.pdf
Рассматриваются комбинаторные функционалы качества обучения по прецедентам, основанные на принципе скользящего контроля. Выводятся их верхние оценки, более точные, чем оценки статистической теории Вапника-Червоненкиса, и при этом не предполагающие случайности и независимости исходных данных. Описывается эффект локализации семейства алгоритмов и вводится понятие локальной функции роста. С позиций комбинаторного подхода пересматриваются основные положения статистической теории. Анализируются основные причины завышенности сложностных оценок качества.
[65] Vorontsov K. V.
Combinatorial substantiation of learning algorithms // Comp. Maths Math. Phys. — 2004. — Vol. 44, no. 11. — Pp. 1997–2009.
www.ccas.ru/frc/papers/voron04jvm-eng.pdf
The English version of [64].
[66] Воронцов К. В.
Комбинаторный подход к оценке качества обучаемых алгоритмов // Математические вопросы кибернетики / Под ред. О. Б. Лупанов. — М.: Физматлит, 2004. — Т. 13. — С. 5–36.
www.ccas.ru/frc/papers/voron04mpc.pdf
Излагаются основы комбинаторного подхода к проблеме оценивания качества восстановления зависимостей по эмпирическим данным. Для формализации понятия обобщающей способности вводятся комбинаторные функционалы скользящего контроля. Полученные комбинаторные оценки обобщают результаты статистической теории Вапника-Червоненкиса. При этом требования случайности исходных данных и равномерной сходимости частоты ошибок к их вероятности оказываются избыточными. Описывается эффект локализации семейства алгоритмов, благодаря которому семейства алгоритмов большой и даже бесконечной емкости могут обладать неплохой обучаемостью. С позиций комбинаторного подхода пересматриваются основные положения статистической теории. Выдвигается гипотеза о принципиальной завышенности сложностных оценок качества обучения. Исследуются два частных случая, в которых семейства алгоритмов имеют бесконечную емкость, тем не менее для них удается получить достаточно точные оценки качества обучения.
[67] Воронцов К. В.
Комбинаторные оценки качества обучения по прецедентам // Докл. РАН. — 2004. — Т. 394, N° 2. — С. 175–178.
www.ccas.ru/frc/papers/voron04qualdan.pdf
Рассматриваются функционалы скользящего контроля, характеризующие качество обучения алгоритмов по прецедентным эмпирическим данным. Приводятся верхние оценки этих функционалов, полученные без предположения случайности и независимости исходных данных. Описывается эффект локализации семейства алгоритмов и вводится понятие локальной функции роста. Рассматриваются основные причины завышенности известных вероятностных оценок качества. Развивается подход к оцениванию качества обучения, основанный на явном использовании априорной информации и не опирающийся на сложностные характеристики алгоритмов. Для задач классификации с универсальными ограничениями монотонности получены новые оценки качества, существенно более точные на малых выборках.
[68] Vorontsov K. V.
Combinatorial bounds for learning performance // Doklady Mathematics. — 2004. — Vol. 69, no. 1. — Pp. 145√–148.
www.ccas.ru/frc/papers/voron04qualdan-eng.pdf
The English version of [67].
[69] Воронцов К. В.
Обзор современных исследований по проблеме качества обучения алгоритмов // Таврический вестник информатики и математики. — 2004.
www.ccas.ru/frc/papers/voron04twim.pdf
Обзор охватывает основные направления современных исследований феномена обобщающей способности, задача которых — уточнить сильно завышенные оценки статистической теории Вапника-Червоненкиса и предложить адекватные обоснования методов обучения по прецедентам. Выделяются следующие направления. 1. Оценивание эффективной сложности обучаемых алгоритмов, которая в ряде случаев оказывается существенно ниже теоретической. 2. Получение оценок, зависящих от отступов (margin) обучающих объектов в задачах классификации с пороговым решающим правилом. 3. Исследование обобщающей способности композиций алгоритмов, в том числе бустинга и баггинга. 4. Оценивание стабильности методов обучения (устойчивости относительно изменений обучающей выборки) и выявление взаимосвязей между стабильностью и обобщающей способностью. 5. Получение оценок качества для алгоритмов, выбираемых процедурой скользящего контроля. 6. Развитие комбинаторного подхода, обобщающего теорию Вапника-Червоненкиса. Библиография содержит 82 ссылки.
[70] Баринова О. В., Вальков А. С., Воронцов К. В., Громов С. А., Ефимов А. Н., Чехович Ю. В.
Система прогнозирования потребительского спроса Goods4Cast // Математические методы распознавания образов-12. — М.: МАКС Пресс, 2005. — С. 258–260.
www.ccas.ru/frc/papers/voron05goods4cast.pdf
Рассматривается задача прогнозирования потребительского спроса для розничной сети магазинов. Для прогнозирования используются быстрые алгоритмы, время настройки которых не более чем линейно по длине ряда. Для повышения качества прогнозов применяются адаптивные алгоритмические композиции, основанные на идеях алгебраического подхода. В качестве критерия настройки применяется неквадратичный несимметричный функционал потерь, оценивающий величину потерь в рублях от завышенного или заниженного прогноза. Предлагаемые алгоритмы реализованы в автоматизированной системе прогнозирования потребительского спроса Goods4Cast. Система строит прогнозы для 140 магазинов и 250000 товаров. Время расчета прогнозов для одного магазина около 5 минут на рабочей станции 2Xeon 3.2 ГГц.
[71] Кочедыков Д. А., Ивахненко А. А., Воронцов К. В.
Система кредитного скоринга на основе логических алгоритмов классификации // Математические методы распознавания образов-12. — М.: МАКС Пресс, 2005. — С. 349–353.
www.ccas.ru/frc/papers/voron05credit.pdf
Рассматривается задача кредитного скоринга, возникающая в кредитных организациях при принятии решений о выдаче кредитов. Перечисляются специфические особенности данной прикладной задачи, которые накладывают существенные ограничения на выбор модели алгоритма классификации и способы ее настройки. Для решения данной задачи предлагается использовать логические алгоритмы, основанные на поиске закономерностей в данных. Приводятся результаты экспериментального сравнения качества реализованных алгоритмов на реальных задачах выдачи кредитов. Кратко описывается архитекура программного комплекса ScoringAce.
[72] Романов М. Ю., Ументаев С. А., Кругов А. Е., Воронцов К. В.
Алгоритмы динамического обучения принятию решений в задаче формирования инвестиционного портфеля // Математические методы распознавания образов-12. — М.: МАКС Пресс, 2005. — С. 423–426.
www.ccas.ru/frc/papers/voron05portfolio.pdf
За последние 10–15 лет многие инвестиционные компании, хэдж-фонды, банки и частные инвесторы переходят на полностью автоматическое управление капиталом. Задача динамического формирования инвестиционного портфеля (on-line portfolio selection, PS) заключается в том, чтобы по мере поступления торговых данных автоматически подбирать набор активов (акций, фьючерсов, валют, и т. п.), оптимальный для вложения капитала. В настоящей работе задача PS рассматривается с позиций обучения по прецедентам. Строится высокоадаптивная система, обеспечивающая своевременное переключение с одного алгоритма на другой, а в более общем случае.
[73] Воронцов К. В., Каневский Д. Ю.
Коэволюционный метод обучения алгоритмических композиций // Таврический вестник информатики и математики. — 2005. — N° 2. — С. 51–66.
www.ccas.ru/frc/papers/voron05twim.pdf
Рассматривается новый метод построения алгоритмических композиций в задачах обучения по прецедентам. Данный метод является развитием идей алгебраического подхода к проблеме распознавания, а также методов бустинга, бэггинга и случайных подпространств. Для обучения базовых алгоритмов применяется специальный генетический алгоритм — кооперативная коэволюция. Метод является универсальным, то есть может применяться к любым семействам базовых алгоритмов, любым корректирующим операциям и любым методам их настройки. Эксперименты на реальных задачах классификации из репозитария UCI показывают, что данный метод позволяет строить композиции из малого числа алгоритмов, обладающие достаточно высокой обобщающей способностью.
[74] Воронцов К. В., Колосков А. О.
Профили компактности и выделение опорных объектов в метрических алгоритмах классификации // Искусственный Интеллект. — 2006. — С. 30–33.
www.ccas.ru/frc/papers/students/VoronKoloskov05mmro.pdf
Отбор опорных объектов (эталонов) в метрических алгоритмах классификации позволяет уменьшить объем хранимых данных, повысить скорость и качество классификации. В данной работе предлагается метод отбора, основанный на минимизации функционала полного скользящего контроля, вычисляемого по эффективной комбинаторной формуле. Метод основан на явной оптимизации профиля компактности выборки.
[75] Воронцов К. В., Рудаков К. В., Лексин В. А., Ефимов А. Н.
Выявление и визуализация метрических структур на множествах пользователей и ресурсов Интернет // Искусственный Интеллект. — 2006. — С. 285–288.
www.ccas.ru/frc/papers/voron05yandex.pdf
Для выявления предпочтений и информационных потребностей огромного числа пользователей по отношению к огромному числу ресурсов простейшая тактика «пользователи ресурса X посещают также множество ресурсов Y» представляется не вполне адекватной. Предлагается более тонкий анализ, основанный на принципе «схожи те пользователи, которые посещают схожие множества ресурсов, и схожи те ресурсы, на которые заходят схожие пользователи». На этом принципе построена технология анализа клиентских сред (АКС), разработанная в компании Форексис (www.forecsys.ru). В данной работе рассматривается применение АКС к обработке логов поисковой машины. Технология АКС позволяет решать задачи персонализации поиска, направленного предложения ресурсов пользователям, поиска схожих ресурсов и визуализации структуры Интернета в виде карт сходства.
[76] Воронцов К. В., Ивахненко А. А.
Эмпирические оценки локальной функции роста в задачах поиска логических закономерностей // Искусственный Интеллект. — 2006. — С. 281–284.
www.ccas.ru/frc/papers/students/VoronIvahnenko05mmro.pdf
Предлагается методика эмпирического оценивания эффективной локальной функции роста для семейств логических закономерностей. Результаты экспериментов позволяют выдвинуть гипотезу, что в реальных задачах классификации эффективная локальная функция роста имеет порядок единицы.
[77] Воронцов К. В., Егорова Е. В.
Динамически адаптируемые композиции алгоритмов прогнозирования // Искусственный Интеллект. — 2006. — С. 277–280.
www.ccas.ru/frc/papers/students/VoronEgorova05mmro.pdf
В статье рассматриваются три различных метода динамической перенастройки весов в линейных композициях алгоритмов прогнозирования. Экспериментально показано, что требование неотрицательности весов не только улучшает качество прогнозов, но и выступает в роли регуляризатора, повышая устойчивость композиции.
[78] Местецкий Л. М.
Математические методы распознавания образов. — Курс лекций, ВМиК МГУ, кафедра ММП. — 2002.
www.ccas.ru/frc/papers/mestetskii04course.pdf
[79] Mestetskii L. M., Rudakov K. V.
Synthesis of a multizone survey visualization palette on the learning basis // Pattern Recognition and Image Analysis. — 1998. — Vol. 8, no. 4. — Pp. 641–647.
www.ccas.ru/frc/papers/mestetskii98pria-eng.pdf
[80] Донской В. И.
Колмогоровская сложность классов общерекурсивных функций с ограниченной емкостью // Таврический вестник информатики и математики. — 2005. — N° 1. — С. 25–34.
www.ccas.ru/frc/papers/donskoy05kolmogorov.pdf
[81] Дюличева Ю. Ю.
Оценка VCD r-редуцированного эмпирического леса // Таврический вестник информатики и математики. — 2003. — N° 1. — С. 31–42.
www.ccas.ru/frc/papers/dulicheva03vcdforest.pdf
[82] Дюличева Ю. Ю.
Модели коррекции редуцированных бинарных решающих деревьев. — Диссертация на соискание ученой степени к.ф.-м.н., Симферополь: Таврический национальный университет им. В. И. Вернадского. — 2004.
www.ccas.ru/frc/papers/dulicheva04phd.pdf
[83] Shibzukhov Z. M.
Correct sigma-pi extensions of one admissible class of algorithms // Doklady Mathematics. — 2004. — Vol. 69, no. 1. — Pp. 152–154.
www.ccas.ru/frc/papers/shibzukhov04dan-eng.pdf