ISSN 2071-8594

Russian academy of sciences

Editor-in-Chief

Gennady Osipov

М. И. Забежайло "О емкости семейств характеристических функций, обеспечивающих корректное решение диагностических задач"

Аннотация.

Обсуждаются возможности и инструменты оценки качества результатов интеллектуального анализа данных (ИАД) в задачах диагностического типа. Надежность (неоспариваемость) эмпирических зависимостей, формируемых в процессе обучения (интерполяции-экстраполяции) на прецедентах, оценивается средствами специальных логического инструментария - характеристических функций. Порождение таких функций по имеющейся выборке прецедентов основано на анализе сходства описаний прецедентов, уточняемого как бинарная алгебраическая операция. Предложен способ оценивания репрезентативности исходной обучающей выборки, обеспечивающей корректное решение задач диагностики. В его основе – процедурная схема реконструкции причин возникновения диагностируемых эффектов, выполняемой задействованными средствами ИАД. Представлены некоторые оценки сложности вычислений, сопутствующих применению предлагаемой математической техники характеристических функций.

Ключевые слова:

интеллектуальный анализ данных, задачи диагностического типа, эмпирические зависимости, анализ причинности, оценки сложности вычислений.

Стр. 44-54.

DOI 10.14357/20718594210205

Литература

1. Журавлев Ю.И. Корректные алгебры над множествами некорректных (эвристических) алгоритмов//Кибернетика. 1977, № 4, C.5-17, 1977, № 6, C.21-27, 1978, №2, C. 35-43.
2. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М: Наука. 1979. 448 С.
3. Воронцов К.В. Комбинаторная теория надёжности обучения по прецедентам. Дисс… доктор физ.-мат. наук. М.: ВЦ РАН. 2010. 273 С. URL:
https://www.dissercat.com/content/kombinatornayateoriya-
nadezhnosti-obucheniya-po-pretsedentam
4. Виноградов Д.В. Вероятностно-комбинаторный формальный метод обучения, основанный на теории решеток. Дисс…доктор физ.-мат. наук. М.:ФИЦ ИУ РАН. 2018. 131 с. URL: http://www.frccsc.ru/disscouncil/00207305/diss/list/vinogradov_dv
5. Principles of data mining and knowledge discovery: Proc. 3-d European conference “PKDD ’99”, Prague, Czech Republic, September 15 - 18, 1999. Jan M. Zytkow; Jan Rauch (ed.). - Lect. notes in computer science. - Vol. 1704: Lecture notes in artificial intelligence. Berlin et. al.: Springer, 1999. -
https://link.springer.com/content/pdf/bfm%3A978-3-540-
48247-5%2F1.pdf
6. Lenat D.B, Fishwick P.A, Modjeski R.B, Oresky C.M, Clarkson A, Kaisler S. (1991). "STRADS: A Strategic Automatic Discovery System" .Knowledge-based Simulation: Methodology and Application. – pp. 133-161. -
https://www.springer.com/gp/book/9780387973746
7. Michalski R.S., Carbonell J.G., Mitchell T.M.: ‘Machine learning: an artificial intelligence approach. – Berlin (Germany): Springer Science & Business Media, - 2013. -
https://www.springer.com/gp/book/9783662124079
8. Финн В.К. Шестерникова О.П. Эвристика обнаружения эмпирических закономерностей посредством ДСМ-рассуждений // Научно-техническая информация. Серия 2. 2018. №9. С. 7-42.
9. Финн В.К. Об эвристиках в ДСМ-исследованиях (дополнение к статьям) // Научно-техническая информация. Серия 2. 2019. №10.С. 1-34.
10. Забежайло М.И. О емкости семейств характеристических функций, обеспечивающих корректное решение задач диагностического типа // 19 Всероссийская конференция «Математические методы распознавания образов» (ММРО-2019), 25-28 октября 2019 г. Тезисы докладов. М. С.305-306.
11. Забежайло М.И., Трунин Ю.Ю. К проблеме доказательности медицинского диагноза: интеллектуальный анализ данных о пациентах в выборках ограниченного размера // Научно-техническая информация. Сер. 2. 2019. №12. C. 12-18.
12. Грушо А.А., Забежайло М.И., Тимонина Е.Е. О каузальной репрезентативности обучающих выборок прецедентов в задачах диагностического типа // Информатика и ее применения. 2020. № 1. С. 80-86.
13. Кон П.М. Универсальная алгебра. М.: Мир, 1968. 359 с.
14. Simon J. On the difference between one and many. Lect. Not. Comp. Sci. V.52 (1977). P. 480-491.
15. Valiant L.G. The complexity of enumeration and reliability problems. SIAM J.Comput. 8 (1979), N1. P. 410-421.
16. Valiant L.G. The complexity of computing the permanent. Theoretical Computer Science. 8 (1979). P. 189-201.
17. Финн В.К. Индуктивные методы Д.С.Милля в системах искусственного интеллекта // Искусственный интеллект и принятие решений. 2010. Ч. I. № 3. С. 3–21; Ч. II. № 4. С. 14–40.
18. Грушо А.А., Забежайло М.И., Зацаринный А.А., Тимонина Е.Е. О некоторых возможностях управления ресурсами при организации проактивного противодействия компьютерным атакам // Информатика и ее применения. 2018. Т.12. № 1, С. 62-70.
19. Забежайло М.И., Трунин Ю.Ю. О доказательности медицинского диагноза: интеллектуальный анализ эмпирических данных о пациентах в выборках ограниченного размера //Цифровое здравоохранение: Труды XX Междунар. конгресса «Информационные технологии в медицине». М.: Консэф. 2019. С.6-9.
https://itmcongress.ru/itm2019/proceedings/1.1.Zabezhail
o_ITM2019.pdf
20. Забежайло М.И. О некоторых оценках сложности вычислений при прогнозировании свойств новых объектов средствами характеристических функций //НТИ. Сер.2. 2020. №12. С.1-12.
21. Забежайло М.И. Трунин Ю.Ю. К проблеме надёжности медицинского диагноза, формируемого на основе эмпирических данных // Искусственный интеллект и принятие решений. 2020. № 4. C. 3 – 13.