Проблема слияния графов знаний (KG), представленных на разных языках становится все более актуальной. Основным этапом для ее решения является идентификация эквивалентных сущностей и их описаний. Она также известна как проблема выравнивания сущностей. Недавние исследования показывают, что существующие подходы эффективны не для всех языков. В данной статье представлены эксперименты, целью которых является улучшение выравнивания сущностей на англо-русском наборе данных. Полученные результаты рассмотрены как с точки зрения целого графа, так и с точки зрения отдельных типов сущностей. Произведена оценка влияния количества отношений и атрибутов на точность работы алгоритмов.

Рассматривается вопрос одновременной достижимости согласованности и доступности. Сравниваются подходы к определению максимально возможных уровней доступности для различных моделей согласованности. Формулируется необходимость введения количественных метрик для этих двух показателей, рассматриваются работы с количественными оценками согласованности. Подтверждается вывод об актуальности данной проблемы, и предлагаются направления для моделирования параметров прикладной задачи при помощи численных экспериментов.

Данная статья исследует экспериментальную задачу проблемы классификации научных текстовых материалов на основе методов машинного и глубокого обучения (Machine Learning & Deep Learning). Для решения задачи предложен метод классификации текстов, учитывающий предобработку и специфику научных текстовых материалов, позволяющий при использовании алгоритмов ML, повысить точность и быстродействие классификации текстов. Проведено исследование методов индексации и классификации по специальностям для базы научных текстовых материалов. Рассмотрены оценки качества алгоритмов ML и получены результаты сравнений классификации диссертационных работ по специальностям методами машинного обучения в рамках существующей обучающей выборки научных материалов.

В настоящей работе рассматриваются задачи моделирования и управления многомерными безынерционными системами с запаздыванием в условиях непараметрической неопределенности. Речь идет о многомерных процессах, находящихся в условиях, когда вид параметрических уравнений по различным каналам объекта отсутствует из-за недостатка априорной информации. Основной акцент сделан на тот случай, когда компоненты вектора выходных переменных случайно связаны, заранее непредвиденным образом. В случае стохастической зависимости выходных переменных математическое описание объекта сводится к системе неявных уравнений, вид которых неизвестен. Поэтому основной задачей моделирования является нахождение прогнозируемых значений выходных переменных по известным входным. При управлении многомерным объектом важной особенностью является определение задающих воздействий. Главное здесь состоит в том, что задающие воздействия системы управления не должны выбираться произвольно из соответствующих областей, а подлежать выбору в зависимости от определения предыдущих. Предлагаются непараметрические алгоритмы идентификации и управления для многомерных систем. Приводятся вычислительные эксперименты, показывающие эффективность использования предложенных непараметрических алгоритмов идентификации и управления.

Данная статья посвящена рассмотрению наиболее часто встречающейся последовательности выполнения наукоемких проектов в области машиностроения и приборостроения в рамках малых предприятий. Рассмотрены причины сложившихся ограничений, влияющих на качество выполнения сложных проектов. Предложена модель формализации области информационного преобразования исходных данных наукоёмких проектов, оказывающей существенное влияние на ожидаемые результаты.

В данной работе описан алгоритм импорта данных из мессенджера Telegram и построения взвешенных графов взаимодействующих объектов. Для импорта данных за основу берутся заданные Telegram-каналы. Далее итерационно выявляются каналы, имевшие любое из зафиксированных трех взаимодействий с предыдущими: общие внешние ссылки, упоминания друг друга, репосты. Далее алгоритм ориентируется на заданную конфигурацию и по ней вычисляет веса на ребрах полученного графа. Конфигурация учитывает тип взаимодействия каналов между собой. Авторы вводят понятие (U, M, R)-модели информационного взаимодействия. Авторы описывают разработанный алгоритм и реализованное программное обеспечение для построения взвешенных графов. В статье приведен пример взвешенного графа взаимодействующих объектов, построенного описанным алгоритмом по (U, M, R)-модели.