Аннотация: Предметом исследования является сенсорно-информированный риск-ориентированный подход к робастной онлайн-идентификации составных адаптивных динамических моделей, применяемых как вычислительное ядро цифрового двойника производственного актива. Объектом исследования является производственный актив, наблюдаемый через поток многомерных сенсорных измерений в условиях смены режимов работы, нестационарности, шума и выбросов. Автор подробно рассматривает задачу преобразования разнородных сигналов в устойчивую к деградационным искажениям модель состояния, которая поддерживает воспроизводимое управленческое решение о целесообразности вмешательства. Особое внимание уделяется согласованию процедур идентификации с рисковыми критериями эксплуатации, чтобы диагностическая неопределенность переводилась в количественную оценку предкритического состояния и далее в экономически обоснованное бинарное правило управления. Рассматривается также композиционная структура модели, в которой локальные подсистемы формируются из групп датчиков и объединяются в интегральный риск с учетом критичности элементов. Методология основана на стандартизации сигналов, группировании датчиков по статистическим связям, построении индекса здоровья методом главных компонент и робастной рекурсивной идентификации его локальной динамики в виде AR(1) с адаптивным забыванием и ограничением влияния аномалий, затем риск оценивается через прогноз и логистическое преобразование. Основными выводами проведенного исследования являются подтверждение работоспособности предложенной схемы робастной идентификации и демонстрация того, что риск-ориентированная интерпретация прогноза деградации позволяет получать устойчивое правило вмешательства при деградации качества данных. Существенным вкладом автора в исследование темы является объединение нескольких уровней робастности, где устойчивость достигается одновременно за счет адаптивного коэффициента забывания, ограничивающего влияние нестационарности, и за счет функции влияния Хьюбера, подавляющей выбросы. Новизна исследования заключается в композиционном построении цифрового двойника, когда локальные вероятности предкритического состояния подсистем агрегируются в интегральный риск с весами критичности и далее переводятся в бинарное решение через асимметричную модель затрат, учитывающую различие стоимости вмешательства и стоимости пропуска опасного состояния. Практическая значимость подтверждена апробацией на раздельных обучающей и тестовой выборках открытого набора NASA C-MAPSS, где предкритическое состояние задается через остаточный ресурс и порог близости к отказу, а качество оценивается метриками вероятностного ранжирования, бинарной классификации и средними затратами по функции потерь.

Ключевые слова: цифровой двойник, производственный актив, адаптивные модели, композитная модель, сенсорная идентификация, робастная идентификация, рекурсивный МНК, коэффициент забывания, функция Хьюбера, прогноз деградации

Abstract: The subject of the research is a sensor-informed risk-oriented approach to robust online identification of composite adaptive dynamic models used as the computational core of a digital twin of a production asset. The object of the research is a production asset observed through a stream of multidimensional sensor measurements under conditions of changing operating modes, non-stationarity, noise, and outliers. The author thoroughly examines the task of transforming heterogeneous signals into a degradation-resistant state model that supports reproducible management decisions on the advisability of intervention. Special attention is given to aligning identification procedures with risk criteria for operation so that diagnostic uncertainty translates into a quantitative assessment of the pre-critical state and further into an economically justified binary control rule. The compositional structure of the model is also considered, where local subsystems are formed from groups of sensors and combined into an integral risk taking into account the criticality of the elements. The methodology is based on signal standardization, grouping sensors by statistical relationships, constructing a health index using principal component analysis, and robust recursive identification of its local dynamics in the form of AR(1) with adaptive forgetting and a limitation of the influence of anomalies; then, risk is assessed through forecasting and logistic transformation. The main conclusions of the conducted research are the confirmation of the effectiveness of the proposed scheme for robust identification and the demonstration that a risk-oriented interpretation of the degradation forecast allows for a stable intervention rule to be obtained in cases of data quality degradation. A significant contribution of the author to the research topic is the integration of several levels of robustness, where stability is achieved simultaneously through the adaptive forgetting factor, which limits the influence of non-stationarity, and through the influence function of Huber, which suppresses outliers. The novelty of the research lies in the compositional construction of the digital twin, where local probabilities of the pre-critical state of subsystems are aggregated into integral risk with criticality weights and then translated into a binary decision through an asymmetric cost model that accounts for the difference in the cost of intervention and the cost of missing a hazardous state. The practical significance is confirmed by testing on separate training and testing datasets from the open NASA C-MAPSS set, where the pre-critical state is defined through residual resource and the threshold proximity to failure, and quality is evaluated using metrics of probabilistic ranking, binary classification, and average costs based on the loss function.

Keywords: digital twin, production asset, adaptive models, composite model, biometric identification, robust identification, recursive MNC, forgetting coefficient, Hubert function, degradation forecast

Аннотация: Предметом исследования является влияние стратегий батчинга событий на показатели производительности и использования ресурсов в системах потоковой обработки данных при изменяющейся нагрузке. Объектом исследования являются стратегии батчинга событий, включая подходы с фиксированным размером пакета, временными окнами и адаптивным алгоритмом агрегации. Автор подробно рассматривает такие аспекты темы как зависимость пропускной способности и задержек обработки от параметров формирования пакетов, а также влияние выбранной стратегии на загрузку процессора и поведение очереди при изменении интенсивности входного потока. Особое внимание уделяется анализу работы алгоритмов в условиях кратковременных всплесков нагрузки и переходных режимов системы. Целью работы является оценка эффективности рассматриваемых стратегий и определение наиболее результативного подхода. Методом исследования выбран эмпирический подход. Разработана программа на языке Java 21. Реализована архитектура «производитель–потребитель». Смоделирован пуассоновский поток событий переменной интенсивности. Проведен сравнительный анализ стратегий по метрикам: пропускная способность, средняя задержка, P95, загрузка CPU и размер очереди. Основным выводом проведённого исследования является подтверждение эффективности адаптивной стратегии батчинга, обеспечивающей наилучшее сочетание производительности и использования ресурсов, а также снижение риска накопления очередей при изменении интенсивности потока. Показано, что отсутствие агрегации событий приводит к низкой пропускной способности, высоким значениям задержек, перегрузке CPU и значительному росту очереди. Применение стратегий fixed-size и time-window batching обеспечивает улучшение показателей, но сопровождается компромиссами между задержками и эффективностью использования ресурсов. Наилучшие результаты получены при использовании адаптивной стратегии батчинга. Новизна исследования заключается в анализе поведения алгоритмов батчинга в условиях кратковременных всплесков нагрузки и переходных режимов, а также в разработке адаптивного алгоритма, основанного на экспоненциальном скользящем среднем. Область применения результатов охватывает высоконагруженные системы потоковой обработки данных, включая финтех-платформы, системы мониторинга и аналитические сервисы.

Ключевые слова: Потоковая обработка данных, Батчинг событий, Адаптивный батчинг, Пропускная способность, Задержка обработки, Перцентиль задержки, Загрузка процессора, Очередь событий, Пуассоновский поток, Высоконагруженные системы

Abstract: The subject of this study is the impact of event batching strategies on performance and resource utilization in stream processing systems under dynamic load. The object of the study is event batching strategies, including fixed-size batching, time-window batching, and an adaptive batching algorithm. The paper examines the relationship between throughput and processing latency and the parameters of batch formation. It also analyzes the impact of batching strategies on CPU utilization and queue behavior under varying input rates. Particular attention is given to the behavior of algorithms under bursty load conditions and during transient system states. The aim of the study is to evaluate the effectiveness of batching strategies and to identify the most efficient approach. The research follows an empirical methodology. A Java 21 application was developed. A producer–consumer architecture was implemented. A Poisson event stream with variable intensity was simulated. A comparative analysis was conducted using the following metrics: throughput, average latency, P95 latency, CPU usage, and queue size.The main finding of the study is the confirmation of the effectiveness of the adaptive batching strategy. It provides the best balance between performance and resource utilization and reduces the risk of queue buildup under changing load conditions. It is shown that the absence of batching results in low throughput, high latency, CPU overload, and significant queue growth. Fixed-size and time-window batching improve performance but introduce trade-offs between latency and resource efficiency. The best results are achieved with adaptive batching. The novelty of the study lies in the analysis of batching strategies under bursty load and transient conditions, as well as in the development of an adaptive algorithm based on an exponential moving average. The results can be applied to high-load stream processing systems, including fintech platforms, monitoring systems, and analytical services.

Keywords: Stream processing, Event batching, Adaptive batching, Throughput, Processing latency, Latency percentile, CPU usage, Event queue, Poisson process, High load systems

Аннотация: Статья посвящена систематическому описанию подходов к работе с макроэкономическими данными, которые используются в эконометрическом анализе. В центре внимания находятся ключевые показатели, отражающие состояние экономики: ВВП, инфляция, безработица, государственный долг, фондовые индексы, экспорт и импорт. Автор рассматривает их особенности, различия в методологии расчёта и проблемы сопоставимости между странами. Отдельное внимание уделяется тому, как качество данных влияет на корректность эконометрических моделей и интерпретацию результатов. В работе анализируются типичные трудности, возникающие при поиске, сборе и подготовке данных: различная периодичность публикаций, наличие пропусков, пересмотры статистики, структурные разрывы и несогласованность методологий. Исследование направлено на формирование целостного подхода, который позволяет повысить надёжность временных рядов и обеспечить корректность последующего анализа. На примере данных России и США демонстрируются различия в глубине исторических рядов, стабильности методологии и волатильности показателей, что подчёркивает необходимость формализованных процедур подготовки данных. В работе применяются методы поиска, проверки качества и предобработки макроэкономических данных, включая унификацию периодичности, интерполяцию, логарифмирование, дифференцирование, сезонную корректировку и выявление выбросов. Используются визуальные инструменты анализа: временные ряды, гистограммы, корреляционные матрицы и сезонные профили. Научная новизна работы заключается в формировании универсальной и последовательной методологии подготовки макроэкономических данных для эконометрического анализа. Автор предлагает критерии выбора показателей среди их функциональных аналогов, учитывая статистические свойства временных рядов, устойчивость методологии и чувствительность к пересмотрам. Показано, что использование производных индикаторов, унификация периодичности и корректная обработка пропусков существенно повышают качество данных. На примере России и США демонстрируется, как различия в структуре экономики и статистической традиции влияют на интерпретацию показателей и выбор методов анализа. Визуализация временных рядов и оценка их свойств позволяют выявлять скрытые закономерности, структурные разрывы и сезонные эффекты. Итогом исследования является целостный подход, обеспечивающий воспроизводимость результатов, снижение статистических искажений и повышение надёжности эконометрических моделей.

Ключевые слова: Макроэкономические данные, Эконометрический анализ, Временные ряды, Предобработка данных, Источники данных, Визуализация данных, Экономические показатели, Сопоставимость статистики, Качество данных, Методы анализа

Abstract: The article is dedicated to the systematic description of approaches to working with macroeconomic data used in econometric analysis. It focuses on key indicators reflecting the state of the economy: GDP, inflation, unemployment, government debt, stock indices, exports, and imports. The author examines their characteristics, differences in calculation methodologies, and issues of comparability between countries. Special attention is given to how data quality affects the accuracy of econometric models and the interpretation of results. The paper analyzes typical difficulties arising in the search, collection, and preparation of data: varying publication frequencies, the presence of gaps, revisions of statistics, structural breaks, and inconsistencies in methodologies. The research aims to develop a comprehensive approach that enhances the reliability of time series and ensures the correctness of subsequent analysis. Using data from Russia and the USA as an example, differences in the depth of historical series, methodological stability, and volatility of indicators are demonstrated, highlighting the need for formalized data preparation procedures. The paper employs methods for searching, verifying the quality, and preprocessing macroeconomic data, including unifying frequency, interpolation, logarithmization, differencing, seasonal adjustment, and outlier detection. Visual analytical tools used include time series, histograms, correlation matrices, and seasonal profiles. The scientific novelty of the work lies in the formation of a universal and consistent methodology for preparing macroeconomic data for econometric analysis. The author proposes criteria for selecting indicators among their functional counterparts, considering the statistical properties of time series, methodological robustness, and sensitivity to revisions. It is shown that the use of derived indicators, unification of frequency, and proper treatment of gaps significantly improve data quality. The differences in economic structure and statistical tradition between Russia and the USA illustrate how they influence the interpretation of indicators and the choice of analysis methods. Visualization of time series and assessment of their properties allow for the identification of hidden patterns, structural breaks, and seasonal effects. The outcome of the research is a holistic approach that ensures reproducibility of results, reduces statistical distortions, and enhances the reliability of econometric models.

Keywords: Macroeconomic data, Econometric analysis, Time series, Data preprocessing, Data sources, Data visualization, Economic indicators, Data comparability, Data quality, Analytical methods

Аннотация: Предметом исследования являются архитектурные и методические принципы проектирования кроссплатформенной информационной системы, предназначенной для организации обучения и автоматизированного тестирования в условиях цифровой трансформации образования. Объектом исследования выступают современные образовательные информационные системы, включая универсальные системы управления обучением (LMS) и тесто-ориентированные системы, а также их архитектурные модели и функциональные возможности. Автор подробно рассматривает системные ограничения существующих образовательных платформ, такие как избыточность функционала, архитектурная негибкость, сложность администрирования и слабая согласованность с педагогическими методиками в рамках конкретных дисциплин. Особое внимание уделено сравнительному анализу монолитной, микросервисной и сервисно-модульной архитектур применительно к образовательным системам, а также вопросам методической адаптации системы тестирования, включая поддержку различных типов заданий, адаптивного контроля знаний и аналитической обратной связи для преподавателя. Исследование базируется на методах системного и сравнительного анализа информационных систем, архитектурного моделирования и функционального проектирования взаимодействия компонентов информационной системы. Основными выводами проведенного исследования стали: 1) подтверждение методологического разрыва между педагогическими требованиями к организации учебного процесса и технологическими возможностями существующих образовательных информационных платформ, а также 2) обоснование сервисно-модульной архитектуры как оптимальной модели для построения кроссплатформенных образовательных информационных систем. Особый вклад автора в исследование заявленной проблематики состоит в разработке концепции перехода от логики «готовой платформы» к логике «конструктора образовательной среды», где каждый функциональный модуль проектируется как автономный сервис, допускающий гибкую композицию в соответствии с конкретными педагогическими целями. Новизна исследования обусловлена разработкой типологии архитектурных моделей образовательных информационных систем и критериев их сравнительной оценки. Новизна полученных результатов также проявляется в рамках обоснования сервисно-модульного подхода как сбалансированного решения, учитывающего как технологические требования масштабируемости и кроссплатформенности, так и методические требования вариативности форм обучения, адаптивного тестирования и аналитической поддержки образовательного процесса.

Ключевые слова: кроссплатформенные системы, электронное обучение, автоматизированное тестирование, образовательные платформы, информационные системы, архитектура программного обеспечения, цифровая образовательная среда, LMS, контроль знаний, дистанционное обучение

Abstract: The study focuses on the architectural and methodological principles of designing a cross-platform information system for organizing learning and automated testing in the context of digital transformation of education. It examines modern educational information systems, including universal learning management systems (LMS) and assessment-oriented systems, analyzing their systemic limitations such as functional redundancy, architectural inflexibility, and weak alignment with pedagogical methodologies. Particular attention is given to the comparative analysis of monolithic, microservice, and service-modular architectures as applied to educational systems, as well as to methodological adaptation of testing, including support for various assignment types and adaptive knowledge assessment. The study is based on methods of systems and comparative analysis, architectural modeling, and functional design of information system components. The study confirms the existence of a methodological gap between pedagogical requirements and technological capabilities of existing platforms and justifies the service-modular architecture as the optimal model for building cross-platform educational systems. The author's key contribution is the development of the concept of transitioning from a "ready-made platform" to a "modular educational environment builder," where each module is designed as an autonomous service allowing flexible composition in accordance with specific pedagogical objectives. The novelty of the study lies in the development of a typology of architectural models and criteria for their comparative evaluation. Furthermore, the originality of the findings is reflected in the justification of the service-modular approach as a balanced solution that addresses both technological requirements such as scalability and cross-platform compatibility, and methodological requirements of variability in learning forms, adaptive testing, and analytical support for the educational process.

Keywords: cross-platform systems, e-learning, automated testing, educational platforms, information systems, software architecture, digital educational environment, LMS, knowledge assessment, distance learning

Аннотация: Предметом настоящей статьи являются методы, принципы и модели построения системы метрик и ключевых показателей эффективности (KPI) для CI/CD-конвейера, рассматриваемого как сложная организационно-техническая система управления. Современная разработка программного обеспечения предъявляет возрастающие требования к скорости и надёжности доставки изменений, в связи с чем практики непрерывной интеграции и доставки (CI/CD) приобретают стратегическое значение. Традиционный подход, сосредоточенный исключительно на функциональной работоспособности конвейера, оказывается недостаточным: CI/CD-конвейер обладает экономической ценностью, ресурсоёмкостью и характеристиками надёжности, которые требуют систематического измерения и управления. Отсутствие формализованной системы измерений порождает ряд управленческих проблем: невозможность объективно оценить отдачу от инвестиций в автоматизацию, субъективность в оценке производительности команд, сложность выявления узких мест, а также риск локальной оптимизации отдельных этапов в ущерб общей результативности потока создания ценности. В работе применяется системно-аналитический подход, объединяющий кибернетическое моделирование, принципы построения сбалансированных систем показателей и причинно-следственный анализ взаимосвязей между метриками CI/CD-конвейера как объекта управления. Научная новизна работы состоит в разработке системно-аналитической концепции построения измерительной системы CI/CD, основанной на кибернетической модели конвейера с явно определёнными входами, выходами и контуром обратной связи. Впервые в качестве единой концептуальной рамки предложена четырёхаспектная модель эффективности, охватывающая скорость, надёжность, качество и экономичность конвейера, объединённая пятью ключевыми принципами: системной связанности, баланса и отсутствия внутренних противоречий, ориентации на результат, каскадной связи с бизнес-целями, а также эволюционности и адаптивности. Показано, что системный подход требует не простого перечисления метрик, а моделирования причинно-следственных связей между ними, что позволяет трансформировать сырые данные конвейера в управленческие решения. В заключении сформулированы практические рекомендации по внедрению: поэтапное введение кибернетической модели, разработка сбалансированной системы показателей, создание технологической платформы для сбора данных и формирование организационной стратегии, превращающей метрики в инструмент непрерывного совершенствования процессов разработки программного обеспечения.

Ключевые слова: непрерывная интеграция, ключевые показатели эффективности, системно-аналитический подход, кибернетическая модель, метрики программного обеспечения, управление разработкой, обратная связь, поток создания ценности, наблюдаемость системы, сбалансированная система показателей

Abstract: The subject of this article is the methods, principles, and models for building a system of metrics and key performance indicators (KPI) for the CI/CD pipeline, considered as a complex organizational and technical management system. Modern software development demands increasing speed and reliability in delivering changes; therefore, continuous integration and delivery (CI/CD) practices are gaining strategic significance. The traditional approach, which focuses solely on the functional operability of the pipeline, proves to be insufficient: the CI/CD pipeline possesses economic value, resource intensity, and reliability characteristics that require systematic measurement and management. The lack of a formalized measurement system leads to a number of management issues: the inability to objectively assess the return on investment in automation, subjectivity in evaluating team performance, the difficulty in identifying bottlenecks, and the risk of local optimization of individual stages to the detriment of the overall effectiveness of the value creation flow. The paper employs a systems-analytical approach that combines cybernetic modeling, principles for constructing balanced scorecards, and causal analysis of the relationships between metrics of the CI/CD pipeline as a management object. The scientific novelty of the work lies in the development of a systems-analytical concept for constructing a measurement system for CI/CD, based on a cybernetic model of the pipeline with clearly defined inputs, outputs, and feedback loops. For the first time, a four-aspect model of effectiveness has been proposed as a unified conceptual framework, encompassing speed, reliability, quality, and cost-effectiveness of the pipeline, unified by five key principles: systemic cohesion, balance and absence of internal contradictions, result orientation, cascading connection to business goals, as well as evolutionary and adaptive capacity. It is shown that a systemic approach requires not merely listing metrics but modeling the causal relationships between them, which allows transforming raw pipeline data into management decisions. In conclusion, practical recommendations for implementation are formulated: phased introduction of the cybernetic model, development of a balanced scorecard, creation of a technological platform for data collection, and formation of an organizational strategy that transforms metrics into a tool for continuous improvement of software development processes.

Keywords: continuous integration, key performance indicators, system-analytical approach, cybernetic model, software metrics, development management, feedback loop, value stream, system observability, balanced scorecard

Аннотация: Предметом исследования выступает архитектура и алгоритмические компоненты веб-ориентированной программной системы KeyPoint, предназначенной для обучения клавиатурной печати незрячих и слабовидящих пользователей. Рассматриваются адаптивный алгоритм обучения, опирающийся на прогрессию освоения клавиш от домашнего ряда и поклавишную метрику уверенности confidence(key), двухрежимная архитектура аудиообратной связи, разводящая речь экранного диктора и встроенную озвучку, а также режим совместимости с ассистивными технологиями, сокращающий путь фокуса и деакцентирующий вторичные визуальные элементы. Отдельное внимание уделяется модели данных, системе встроенной аналитики и набору метрик продуктивности печати, включающему скорость, точность, частоту исправлений, долю неисправленных ошибок и межнажатийные интервалы. Исследование затрагивает проблему проектирования веб-приложений, в которых принципы доступности интегрированы в архитектуру взаимодействия. Методы исследования включают формализацию адаптивной модели обучения с поклавишной метрикой confidence(key), проектирование двухрежимной архитектуры аудиообратной связи и интерфейса, совместимого с ассистивными технологиями, а также наблюдательный бета-тест (74 пользователя, 623 сессии). Для парных сопоставлений T0–T2 (n = 66) применялся критерий Уилкоксона. Новизна исследования заключается в том, что впервые в рамках единой веб-системы интегрированы адаптивная прогрессия от домашнего ряда, поклавишная модель уверенности confidence(key), двухрежимная архитектура аудиообратной связи и интерфейсный сценарий, совместимый с ассистивными технологиями, с управляемым порядком фокуса. Анализ литературы показал, что ни один из существующих тренажёров для незрячих ранее не был предметом рецензируемой публикации с описанием архитектуры и эмпирической валидацией. Основными выводами проведённого исследования являются следующие: в парной когорте T0–T2 (n = 66) Correct WPM выросла с 19,43 до 29,54 (прирост 52 %), Accuracy – с 87,22 % до 93,43 %, median IKI снизился с 1174,5 до 778,9 мс, доля неисправленных ошибок – с 4,31 % до 0,76 % (p < 0,001). Особым вкладом автора является выявление того, что профиль Blind SR-first характеризуется в 3,6 раза более частыми потерями фокуса, что эмпирически обосновывает необходимость режима совместимости с ассистивными технологиями как архитектурного компонента системы.

Ключевые слова: адаптивный алгоритм, клавиатурная печать, программная система, цифровая доступность, незрячие пользователи, слабовидящие пользователи, аудиообратная связь, ассистивные технологии, веб-приложение, обучение на данных

Abstract: This paper presents KeyPoint as an accessibility-first web system for teaching touch typing to blind and low-vision users. The central research problem is that existing mainstream typing tutors rely on visual feedback and are inaccessible to screen reader users, while specialized solutions for the blind lack adaptive algorithms and are often tied to proprietary assistive technology stacks. The technical contribution combines a home-row-anchored learning model, a per-key confidence-based adaptive scheduler that adjusts exercise generation to target weak keys, two audio modes (screen-reader-compatible tonal signals and built-in voice narration), and an assistive-technology-compatible interface path with reduced focus travel and explicit ARIA-based status messaging. A formal per-key metric confidence(key) is introduced to quantify the mastery level of each key and drive the adaptive progression. Analysis of the literature has shown that none of the existing specialized typing tutors for blind users have been the subject of a peer-reviewed scientific publication with architectural description and empirical validation, which positions this work as the first study of its kind. The empirical section is based on a real observational beta test conducted from January 5 to March 15, 2026 and includes 74 users segmented into four accessibility profiles, 623 sessions, 3190 exercises, and 202 assessment points. In the paired T0–T2 cohort (n = 66), mean Correct WPM increased from 19.43 to 29.54 (a 52% improvement), Accuracy from 87.22% to 93.43%, median inter-keystroke interval decreased from 1174.5 to 778.9 ms, and Uncorrected error rate from 4.31% to 0.76% (all p < 0.001, Wilcoxon signed-rank test). Additional analysis revealed that the Blind SR-first profile exhibits 3.6 times more frequent focus losses and 3.7 times longer focus recovery times compared to the Standard profile, empirically confirming that the AT-compatible mode is an essential architectural component rather than an optional feature.

Keywords: adaptive algorithm, touch typing, software system, digital accessibility, blind user, low-vision users, audio feedback, assistive technology, web application, learning analytics

Аннотация: Генеративные модели глубокого обучения стали стандартным инструментом для синтеза новых данных, понижения размерности и восстановления искаженных изображений. Автоэнкодеры занимают значительное место среди таких архитектур. Их главная задача – сформировать непрерывное скрытое пространство признаков, из которого декодирующий модуль берет информацию для создания новых объектов. В классическом варианте для обеспечения непрерывности разработчики добавляют в функцию потерь штраф. Обычно применяется дивергенция Кульбака – Лейблера, которая заставляет распределение векторов стремиться к нормальному виду. Однако вычисление этой метрики требует значительных вычислительных ресурсов. Кроме того, она часто приводит к потере мелких деталей и избыточному сглаживанию сгенерированных изображений. Предметом данного исследования является альтернативный подход к оптимизации генеративных сетей. В работе проводится математический и практический анализ архитектуры, где ресурсоемкая классическая метрика заменена на стандартную квадратичную регуляризацию параметров модели (L2-норму). Метод исследования включает алгебраическое преобразование квадратичных форм и свойств оператора следа матрицы для математической редукции формулы KL-дивергенции. Практическая проверка выполнена через обучение и сравнительный анализ двух идентичных архитектур полносвязного VAE на наборе данных MNIST. Исследование показало, что для определенного класса задач машинного обучения строгие классические метрики оказываются избыточными. Математический анализ подтвердил внутреннее сходство двух методов регуляризации: в условиях нормального распределения данных квадратичный штраф весов дает эффект, аналогичный традиционному подходу. При этом структура скрытого пространства заметно меняется. Если стандартная метрика обеспечивает максимально плавные переходы, то предложенная замена формирует менее плотное, но более структурированное пространство. В результате алгоритм начинает точнее генерировать четкие стандартизированные объекты. Главное практическое преимущество нового подхода заключается в снижении вычислительной нагрузки. Обучение модели ускоряется, что критически важно при обработке объемных массивов информации. В итоге выбор функции потерь должен опираться на конечную цель проекта. Традиционный штраф оптимален для задач плавного переноса стиля, тогда как предложенный метод лучше справляется с генерацией четких форм и детекцией аномалий.

Ключевые слова: вариационный автоэнкодер, функция потерь, машинное обучение, глубокое обучение, KL-дивергенция, L2-регуляризация, латентное пространство, генеративные модели, компьютерное зрение, нейронные сети

Abstract: Generative deep learning models have become a standard tool for synthesizing new data, reducing dimensionality, and restoring distorted images. Autoencoders play a prominent role among such architectures. Their primary goal is to form a continuous latent feature space from which the decoder samples information to generate new objects. Traditionally, to ensure this continuity, developers add a penalty term to the loss function. Kullback-Leibler (KL) divergence is typically used for this purpose, forcing the vector distribution to approximate a standard normal distribution. However, calculating this metric requires significant computational resources. Furthermore, it often leads to the loss of fine details and excessive smoothing of the generated images. The subject of this study is an alternative approach to optimizing generative networks. The paper conducts a mathematical and practical analysis of an architecture where the resource-intensive classical metric is replaced by standard quadratic regularization of the model parameters (L2 norm). The research methodology involves the algebraic transformation of quadratic forms and matrix trace operator properties to mathematically reduce the KL divergence formula. Practical verification was performed through the training and comparative analysis of two identical fully connected VAE architectures on the MNIST dataset. The study showed that for a certain class of machine learning tasks, strict classical metrics turn out to be redundant. Mathematical analysis confirmed the internal similarity of the two regularization methods: under normal data distribution conditions, the quadratic weight penalty yields an effect similar to the traditional approach. However, the structure of the latent space changes noticeably. While the standard metric provides the smoothest transitions, the proposed replacement forms a less dense but more structured space. As a result, the algorithm generates clear, standardized objects more accurately. The main practical advantage of the new approach is the reduction in computational load. Model training becomes faster, which is critical when processing large datasets. Ultimately, the choice of the loss function should be based on the final goal of the project. The traditional penalty is optimal for smooth style transfer tasks, whereas the proposed method performs better at generating clear shapes and detecting anomalies.

Keywords: variational autoencoder, loss function, machine learning, deep learning, KL-divergence, L2 regularization, latent space, generative models, computer vision, neural network

Аннотация: При проектировании микросервисных систем выбор технологической платформы требует достоверной и сопоставимой оценки её производительности в условиях реальной нагрузки. Предметом исследования является экспериментальный анализ производительности микросервисного взаимодействия, реализованного на различных веб-фреймворках. Объектом исследования выступают серверные технологии, используемые при разработке микросервисных приложений. Актуальность работы обусловлена тем, что при проектировании микросервисных систем выбор технологической платформы требует достоверной и сопоставимой оценки её производительности в условиях реальной нагрузки. Особое внимание уделяется обеспечению сопоставимости результатов за счёт сохранения неизменными бизнес-логики, сценариев взаимодействия сервисов и параметров инфраструктурного окружения. В рамках исследования проведено сравнение трёх реализаций микросервисного приложения, разработанных с использованием ASP.NET Core, NestJS и Gin. Оценка выполнялась по метрикам времени отклика, перцентиля p95, пропускной способности (RPS), загрузки процессора и потребления оперативной памяти. Исследование выполнено на основе прикладного экспериментального подхода с использованием контейнеризированной инфраструктуры Docker. Нагрузочное тестирование проводилось с использованием инструмента k6, мониторинг потребления ресурсов осуществлялся средствами Prometheus и cAdvisor при фиксированных условиях проведения эксперимента. Основными выводами проведённого исследования являются результаты сравнительного анализа производительности микросервисных приложений на различных веб-фреймворках. Установлено, что реализация на Gin демонстрирует наименьшие значения времени отклика и перцентиля p95, минимальное потребление вычислительных ресурсов и наибольшую пропускную способность. ASP.NET Core обеспечивает стабильные показатели производительности при умеренной загрузке процессора, однако характеризуется повышенным потреблением памяти. Для NestJS зафиксированы наибольшие значения задержек и загрузки CPU. Научная новизна работы заключается в разработке и формализации воспроизводимой методики сравнительной оценки производительности микросервисного взаимодействия, учитывающей как временные характеристики, так и показатели потребления ресурсов. Практическая значимость результатов состоит в возможности использования предложенной методики для обоснованного выбора технологического стека и принятия архитектурных решений при разработке распределённых систем.

Ключевые слова: Микросервисная архитектура, Микросервисное взаимодействие, Веб-фреймворки, Производительность, Нагрузочное тестирование, Архитектурная модель, Контролируемый эксперимент, Метрики времени отклика, Пропускная способность, Воспроизводимость

Abstract: When designing microservice systems, the choice of a technological platform requires a reliable and comparable assessment of its performance under real workload conditions. The subject of this study is the experimental analysis of microservice interaction performance implemented using different web frameworks. The object of the research is server-side technologies used in the development of microservice applications. The relevance of the study is determined by the need for objective and comparable performance evaluation when selecting a technological platform for microservice architectures under realistic load conditions. Special attention is given to ensuring the comparability of results by keeping the business logic, service interaction scenarios, and infrastructure environment parameters unchanged. The study includes a comparison of three implementations of a microservice application developed using ASP.NET Core, NestJS, and Gin. The evaluation was performed using the following metrics: response time, p95 latency, throughput (RPS), CPU utilization, and memory consumption. The research was conducted using an applied experimental approach based on a containerized Docker infrastructure. Load testing was performed using the k6 tool, while resource consumption monitoring was carried out using Prometheus and cAdvisor under fixed experimental conditions. The main outcomes of the study are the results of a comparative performance analysis of microservice applications implemented with different web frameworks. The Gin-based implementation demonstrated the lowest response time and p95 latency, minimal computational resource consumption, and the highest throughput. ASP.NET Core provided stable performance with moderate CPU utilization but showed increased memory consumption. NestJS demonstrated the highest latency values and CPU load. The scientific novelty of the study lies in the development and formalization of a reproducible methodology for comparative evaluation of microservice interaction performance, taking into account both time-related characteristics and resource consumption metrics. The practical significance of the results lies in the possibility of using the proposed methodology to support informed technology stack selection and architectural decision-making in the development of distributed systems.

Keywords: Microservice architecture, Microservice interaction, Web frameworks, Performance, Load testing, Architectural model, Controlled experiment, Response time metrics, Throughput, Reproducibility

Аннотация: Статья посвящена теме комплексного применения агентов на базе искусственного интеллекта для сопровождения сотрудника организации на всех этапах его профессионального пути в компании – от первых дней работы до достижения устойчиво высоких показателей эффективности трудовой деятельности. Предметом исследования являются функциональные возможности и архитектура интеллектуального агента, который встраивается в корпоративную геймификационную систему для автоматизации процессов адаптации, навигационной поддержки и поддержания мотивации сотрудников. Цель исследования заключается в разработке функционала и архитектуры интеллектуального агента, обеспечивающего постоянное персонализированное сопровождение сотрудников в геймификационной среде компании. Рассматриваются группы задач, решаемых агентом: стартовый онбординг в геймификационной среде, персонализированная аналитика прогресса, интерпретация игровых метрик, разъяснение правил игровых механик, поиск справочной информации, а также автоматизированная маршрутизация обращений пользователей в техническую поддержку. Исследование основано на анализе принципов работы интеллектуальных агентов и больших языковых моделей. Архитектура агента построена на основе навыков классификации запросов, обращения к базе знаний и реляционной базе данных геймификационной системы, а также механизма уточнения недостающих данных у пользователя. В отличие от существующих онбординг-платформ и чат-ботов, ориентированных на статичные сценарии, предложенное решение динамически классифицирует запросы пользователя и выбирает источник данных в зависимости от типа обращения. Практическая значимость результатов исследования состоит в возможности применения предложенного функционала при разработке диалоговых компонентов корпоративных геймификационных систем в организациях с высокой численностью персонала и интенсивным наймом, где ручное сопровождение сотрудников нестабильно и не масштабируется. Перспективным направлением развития решения определен обучающий модуль, формирующий рекомендации по курсам профессионального развития на основе анализа слабых компетенций сотрудника. Внедрение предложенного агента позволит снизить барьер входа в геймификационную систему, повысить прозрачность игровых механик для каждого сотрудника и обеспечить масштабируемое индивидуальное сопровождение сотрудников без увеличения нагрузки на руководителей компании.

Ключевые слова: Интеллектуальный агент, Искусственный интеллект, Геймификация, Адаптация персонала, Онбординг, Мотивация сотрудников, Большая языковая модель, Персонализированное сопровождение, Управление персоналом, Вовлеченность персонала

Abstract: The article is dedicated to the topic of comprehensive application of artificial intelligence-based agents to support organization employees at all stages of their professional journey within the company—from their first days of work until achieving consistently high performance indicators. The research subject is the functional capabilities and architecture of an intelligent agent that is integrated into a corporate gamification system to automate adaptation processes, provide navigational support, and maintain employee motivation. The aim of the study is to develop the functionality and architecture of an intelligent agent that ensures continuous personalized support for employees in the company's gamification environment. The study examines the groups of tasks addressed by the agent: initial onboarding in a gamification environment, personalized progress analytics, interpretation of gaming metrics, clarification of the rules of gaming mechanics, search for reference information, and automated routing of user inquiries to technical support. The research is based on an analysis of the principles of intelligent agents and large language models. The agent's architecture is built on skills for classifying requests, accessing a knowledge base, and a relational database of the gamification system, as well as a mechanism for clarifying missing data from the user. Unlike existing onboarding platforms and chatbots that focus on static scenarios, the proposed solution dynamically classifies user inquiries and selects the data source based on the type of request. The practical significance of the research results lies in the ability to apply the proposed functionality in the development of dialogue components of corporate gamification systems in organizations with a large workforce and intensive hiring, where manual employee support is unstable and non-scalable. A promising direction for the development of the solution has been identified as a training module that forms recommendations for professional development courses based on the analysis of the employee's weak competencies. The implementation of the proposed agent will reduce the entry barrier to the gamification system, increase the transparency of gaming mechanics for each employee, and provide scalable individual support for employees without increasing the burden on company managers.

Keywords: Intelligent Agent, Artificial intelligence, Gamification, Staff adaptation, Onboarding, Employee motivation, Large language model, Personalized support, Staff management, Employee engagement

Аннотация: Предметом исследования является разработка формальной модели программного агента на основе когнитивной архитектуры, в которой поведение задаётся через явное внутреннее состояние, моральные схемы и правила перехода, а большие языковые модели используются как модули семантического анализа, проверки условий и генерации ответов с высокой степенью интерпретируемости. Цель работы – показать, как логика поведения агента может быть вынесена из скрытого состояния языковой модели и представлена в явной архитектурной структуре с чётким разделением функциональных компонентов. В результате предложена модель состояния агента, включающая текущее состояние, нормативные состояния, рабочую память, активные схемы и историю событий за весь период функционирования. Введено формальное описание моральной схемы, задающей локальное семантическое пространство, нормативное состояние, допустимые действия, функцию оценки, правило перехода и порог рассогласования для корректного принятия решений. Предложен механизм одновременной активации нескольких схем и граф переходов между их конфигурациями с учётом приоритетов и взаимного влияния. Разработан гибридный критерий завершения этапа, объединяющий метрическую близость текущего и нормативного состояний с логическим условием выполнения содержательного требования и оценкой ресурсных затрат. Методология исследования включает формальное описание состояния агента, моральных схем, допустимых переходов между их конфигурациями и критериев завершения этапов взаимодействия с учётом динамически изменяющихся внешних условий. Новизна работы состоит в переносе элементов, определяющих выбор действий и переходы между этапами, из промпта и скрытого состояния языковой модели в явную архитектурную структуру, обеспечивающую прозрачность принятия решений, возможность формальной верификации и контроля за соблюдением заданных этических и функциональных ограничений. Результаты могут использоваться при проектировании LLM агентов в прикладных системах, где требуется не только генерация естественно языковых ответов высокого качества, но и явное задание состояния, этапов взаимодействия и допустимых действий с учётом динамически изменяющихся внешних условий, специфики предметной области и необходимости обеспечения интерпретируемости поведения агента на каждом этапе его функционирования, включая механизмы адаптации к новым сценариям использования и оперативного реагирования на непредвиденные ситуации.

Ключевые слова: программный агент, когнитивная архитектура, большая языковая модель, управляемый LLM-агент, внутреннее состояние агента, моральная схема, формальная модель агента, когнитивный цикл, семантическое пространство, архитектурная интеграция

Abstract: The subject of the research is developing a formal model of a software agent based on a cognitive architecture, where behaviour is defined through an explicit internal state, moral schemas and transition rules, with large language models serving as modules for semantic analysis, condition checking and response generation with high interpretability. The aim is to show how the agent’s behavioural logic can be extracted from the language model’s latent state and represented in an explicit architectural structure with clear functional separation. The proposed agent state model includes the current and normative states, working memory, active schemas and event history. A formal moral schema description defines a local semantic space, permissible actions, evaluation function, transition rule and discrepancy threshold. A mechanism for simultaneous schema activation and a transition graph (accounting for priorities and mutual influences) is proposed. A hybrid stage completion criterion combines metric proximity of states with logical requirements and resource cost assessment. The methodology covers formal descriptions of the agent’s state, schemas, transitions and interaction stage completion criteria under dynamic conditions. The novelty lies in transferring action selection elements from the prompt and latent state into an explicit structure ensuring transparency, formal verification and compliance with ethical/functional constraints. The results can be used for designing LLM agents in systems requiring high quality language responses and explicit specification of states, interaction stages and actions, including adaptation to new scenarios and response to unforeseen situations under dynamic conditions and domain specific requirements.

Keywords: software agent, cognitive architecture, large language model, controllable LLM agent, agent internal state, moral schema, formal agent model, cognitive cycle, semantic space, architectural integration

Аннотация: Статья посвящена исследованию методов машинного обучения для выявления мошеннических транзакций в банковских системах. Актуальность обусловлена ростом объема финансовых операций, усложнением схем мошенничества и ограниченной эффективностью традиционных методов контроля, основанных на фиксированных правилах. В условиях выраженной несбалансированности данных задача обнаружения мошенничества требует применения адаптивных подходов к классификации. Целью исследования является анализ возможностей применения методов машинного обучения для повышения качества выявления подозрительных транзакций. Предметом исследования является выбор и настройка моделей Random Forest и XGBoost для бинарной классификации банковских транзакций на конкретном датасете, а также оценка влияния порогового значения классификации на качество обнаружения мошенничества. Рассматриваются обезличенные транзакции клиентов коммерческого банка. Исследовательский вопрос заключается в том, позволяет ли целенаправленная настройка порога для конкретного набора банковских операций добиться приемлемого баланса между полнотой выявления мошенничества и числом ложноположительных срабатываний по сравнению с использованием стандартного порога 0.5. Использованы методы предварительной обработки данных, включая преобразование признаков, кодирование категориальных переменных и корреляционный анализ. Для решения задачи классификации применялись алгоритмы Random Forest и XGBoost с последующей настройкой параметров и анализом влияния порогового значения классификации на целевые метрики. Научная новизна работы заключается в детальном исследовании влияния выбора порогового значения классификации на качество выявления мошеннических транзакций на реальном сильно несбалансированном датасете. Подход основан на анализе зависимостей метрик precision, recall и F1-score от порога и выборе значения, обеспечивающего компромисс между полнотой выявления мошенничества и допустимым уровнем ложноположительных срабатываний с учетом специфики антифрод‑систем. Установлено, что алгоритм XGBoost демонстрирует более устойчивые результаты по сравнению с Random Forest за счет лучшего учета нелинейных зависимостей и чувствительности к редкому классу. Показано, что настройка порога классификации позволяет повысить полноту обнаружения мошенничества при контролируемом уровне ложноположительных срабатываний. Практическая значимость исследования заключается в возможности применения предложенного подхода для мониторинга банковских операций, повышения эффективности выявления подозрительных транзакций и поддержки принятия решений в системах противодействия мошенничеству.

Ключевые слова: искусственный интеллект, машинное обучение, методы машинного обучения, анализ данных, банк, банковские системы, банковские транзакции, выявление мошенничества, антифрод, финансовые учреждения

Abstract: The article is dedicated to the study of machine learning methods for detecting fraudulent transactions in banking systems. The relevance of the work is determined by the increase in the volume of financial operations, the complexity of fraud schemes, and the limited effectiveness of traditional control methods based on fixed rules. Given the pronounced data imbalance, the task of detecting fraudulent activities requires the application of adaptive classification approaches. The aim of the research is to analyze the potential of machine learning methods to enhance the quality of identifying suspicious transactions. The study employed data preprocessing methods, including feature transformation, categorical variable encoding, and correlation analysis, as well as a comparative analysis of random forest and gradient boosting algorithms. The research investigated the impact of the classification threshold on the quality of fraud detection. It was established that the gradient boosting method demonstrates more stable results compared to the random forest method due to better consideration of nonlinear dependencies and sensitivity to the rare class. It was shown that adjusting the classification threshold allows for increased recall in fraud detection while maintaining controlled levels of false positives. The practical significance of the work lies in the potential application of the proposed approach for monitoring banking operations and supporting decision-making in anti-fraud control systems. The study utilized data preprocessing and analysis methods, including feature transformation, categorical variable encoding, and correlation analysis. For the classification task, Random Forest and XGBoost algorithms were employed, followed by an analysis of the classification threshold. The scientific novelty of the work lies in investigating the impact of the classification threshold on the quality of detecting fraudulent transactions under conditions of imbalanced data. It was established that using the gradient boosting algorithm (XGBoost) enhances the model's robustness to the rare class compared to the random forest method (Random Forest) due to more effective consideration of nonlinear dependencies among features. It was shown that changing the classification threshold allows for regulating the balance between recall in fraud detection and the number of false positives, depending on the practical requirements of the anti-fraud system. The practical significance of the research lies in the applicability of the proposed approach for monitoring banking operations, improving the efficiency of identifying suspicious transactions, and supporting decision-making in fraud prevention systems.

Keywords: artificial intelligence, machine learning, machine learning methods, data analysis, bank, banking systems, banking transactions, fraud detection, anti-fraud, financial institutions

Аннотация: Объектом исследования данной работы являются методы Адамса, обладающие сравнительно невысокой вычислительной трудоемкостью. Предметом исследования являются схемы Адамса в постановке «предиктор-корректор», позволяющие повысить устойчивость расчета в сравнении с чисто явными схемами и сохранить ограниченную трудоемкость в сравнении с чисто неявными схемами. Утверждается, что можно пытаться еще более повысить устойчивость (при сохранении сниженного объема расчетов) схемы путем применения к корректору (схеме Адамса-Моултона) расчетного подхода по типу Рожкова, известного своей устойчивостью. Отмечается, что попытка применения подхода Рожкова исключительно к неявной схеме Адамса напрямую (без предиктора) внесла бы запаздывание по времени при решении, что легко устранить для единственного дифференциального уравнения, но весьма трудно компенсировать в общем случае численного решения системы дифференциальных уравнений. Используются методы вычислительной математики, в частности комбинация "предиктор-корректор" явной схемы Адамса-Бэшфорта и неявной схемы Адамса-Моултона, в сочетании с расщеплением по типу Рожкова. Предложена новая явно-неявная схема «предиктор-корректор» на базе схем Адамса и подхода по типу Рожкова, не требующая решения систем линейных или нелинейных уравнений, ограничивающаяся решением серии независимых линейных уравнений. Сформулирован соответствующий метод численного интегрирования для систем обыкновенных дифференциальных уравнений. Экспериментально исследованы погрешность, порядок точности и устойчивость полученного метода. В случае высокого порядка метода (4-го и выше) применение предложенной схемы более оправданно (выше расчетный порядок, выше устойчивость), чем применение стандартной схемы Адамса «предиктор-корректор», в этом случае она также менее трудоемка, чем метод Рунге-Кутта-4 (при схожих прочих показателях). При порядке предложенного метода менее 4-го, он не дает каких-либо существенных преимуществ перед стандартным вариантом "предиктор-корректор" Адамса и схемой Рунге-Кутта-4.

Ключевые слова: предиктор, корректор, схема Адамса-Бэшфорта, схема Адамса-Моултона, численное решение, обыкновенные дифференциальные уравнения, подход Рожкова, порядок численного метода, исследование погрешности, явно-неявная схема

Abstract: The subject of this research is the Adams methods, which have relatively low computational complexity. The focus of the study is on Adams schemes in the "predictor-corrector" formulation, which allow for increased stability in calculations compared to purely explicit schemes while maintaining limited computational cost compared to purely implicit schemes. It is argued that one can further enhance the stability (while preserving reduced computational effort) of the scheme by applying a Rozhkov-type computational approach, known for its stability, to the corrector (the Adams-Moulton scheme). It is noted that attempting to apply the Rozhkov approach directly to the implicit Adams scheme (without a predictor) would introduce time delays in the solution, which can be easily eliminated for a single differential equation but is quite challenging to compensate for in the general case of numerically solving a system of differential equations. Computational mathematics methods are employed, specifically the combination of the "predictor-corrector" explicit Adams-Bashforth scheme and the implicit Adams-Moulton scheme, combined with the Rozhkov-type splitting. A new explicit-implicit "predictor-corrector" scheme based on Adams schemes and the Rozhkov approach is proposed, which does not require solving systems of linear or nonlinear equations and is limited to solving a series of independent linear equations. A corresponding method for numerical integration of systems of ordinary differential equations has been formulated. The error, order of accuracy, and stability of the obtained method have been experimentally investigated. In the case of a high-order method (4th order and above), the application of the proposed scheme is more justified (higher order of computation, greater stability) than the application of the standard "predictor-corrector" Adams scheme; in this case, it is also less computationally intensive than the Runge-Kutta-4 method (with similar other performance indicators). When the order of the proposed method is less than 4, it does not offer any significant advantages over the standard "predictor-corrector" Adams variation and the Runge-Kutta-4 scheme.

Keywords: predictor, corrector, Adams-Bashfort scheme, Adams-Moulton scheme, numerical solution, ordinary differential equations, Rozhkov's approach, order of numerical method, accuracy investigation, semi-implicit scheme

Аннотация: Предметом настоящего исследования являются нейросетевые алгоритмы интеллектуального анализа видеоданных в задаче бесконтактной оценки уровня физиологических параметров человека. Исследуется задача оценки уровня артериального давления по видеоплетизмографическим записям лица. Поскольку давление характеризуется систолическим и диастолическим значениями, задача формулируется как восстановление регрессии для двух целевых переменных. В работе применён репрезентативный набор данных, содержащий видеозаписи 2251 испытуемого. Для анализа предложен и реализован метод выделения области интереса, извлечения зелёного канала и построения частотно-временных представлений с помощью непрерывного вейвлет-преобразования. Разработана гибридная архитектура, обеспечивающая эффективную обработку нестационарных сигналов кровотока, снижение размерности признаков и повышение точности прогнозирования. Особое внимание уделено устойчивости модели к внешним помехам. Для выделения региона интереса и его сегментации использовались предобученные нейросетевые модели. Обработка извлекаемых временных рядов производилась посредством применения частотного фильтра и дальнейшего непрерывного вейвлет-преобразования временного ряда. Для задачи восстановления регрессии уровня артериального давления применялась гибридная нейросетевая модель на основе одномерных свёрточных и рекуррентных LSTM-сетей. Предложенный метод существенно уменьшает размерность данных за счет извлечения амплитудно-энергетических, частотных, динамических и фазовых показателей колебаний кровотока в четырех частотных диапазонах, соответствующих различным регуляторным механизмам организма. Достигнуты значения средней абсолютной ошибки 15,2 мм рт. ст. для систолического и 9,3 мм рт. ст. для диастолического давления. Полученные показатели сопоставимы с зарубежными аналогами, хотя и несколько хуже, несмотря на использование значительно более репрезентативной выборки. Тем не менее, данная модель не удовлетворяет клиническим требованиям точности (5 мм рт. ст.) и требует дальнейшего совершенствования. Особое внимание следует уделить расширению набора данных случаями с экстремальными значениями давления, а также проверке устойчивости алгоритма к переменному освещению и случайным движениям камеры.

Ключевые слова: артериальное давление, видеоплетизмография, нейронная сеть, машинное обучение, вейвлет-преобразование, LSTM, сверточная нейронная сеть, видеоданные, физиологический параметр, частотно-временной анализ

Abstract: The subject of this study is neural network algorithms for intelligent video data analysis in the task of contactless assessment of the level of human physiological parameters. The task of assessing blood pressure levels based on video plethysmographic recordings of a face is being investigated. Since blood pressure is characterized by systolic and diastolic values, the task is formulated as regression reconstruction for two target variables. The work uses a representative dataset containing video recordings of 2,251 subjects. For the analysis, a method for selecting the area of interest, extracting the green channel, and constructing time-frequency representations using a continuous wavelet transform is proposed and implemented. A hybrid architecture has been developed that provides efficient processing of non-stationary blood flow signals, reducing the dimension of features and increasing the accuracy of forecasting. Special attention is paid to the model's resistance to external interference. For the task of restoring blood pressure regression, a hybrid neural network model based on one-dimensional convolutional and recurrent LSTM networks was used. The proposed method significantly reduces the data dimension by extracting amplitude-energy, frequency, dynamic and phase parameters of blood flow fluctuations in four frequency ranges corresponding to various regulatory mechanisms of the body. The values of the average absolute error of 15.2 mmHg for systolic and 9.3 mmHg for diastolic pressure were achieved. The obtained indicators are comparable to their foreign counterparts, although somewhat worse, despite using a much more representative sample. However, this model does not meet the clinical accuracy requirements (5 mmHg) and requires further improvement. Particular attention should be paid to expanding the dataset with cases with extreme pressure values, as well as checking the algorithm's stability to variable lighting and random camera movements.

Keywords: blood pressure, remote photoplethysmography, neural network, machine learning, wavelet transform, LSTM, convolutional neural network, video data, physiological parameter, time-frequency analysis

Аннотация: Предметом исследования статьи являются нейросетевые архитектуры семантической сегментации многофазных компьютерно-томографических (КТ) изображений и методы интеграции темпорально упорядоченных фазовых данных на основе механизмов внимания. Целью работы является разработка и экспериментальная валидация гибридной архитектуры MultiPhaseFormer, обеспечивающей высокоточную сегментацию опухолевых очагов и классификацию типа патологии за счёт явного моделирования динамики накопления контрастного вещества между фазами исследования без предварительной пространственной регистрации изображений. В статье предложен механизм темпорального межфазного внимания TPIA (Temporal Phase Inter-attention), в котором фазы контрастирования рассматриваются как упорядоченная временная последовательность, а запрос механизма внимания формируется из опорной портально-венозной фазы. Модели обучены и валидированы в идентичных условиях на открытом наборе данных Primary Liver Cancer CECT. Разработаны три архитектуры нарастающей сложности: BaselineUNet3D (с использованием механизма раннего слияния фаз), HybridTPIANetLite (на основе усреднённого фазового внимания) и целевая модель MultiPhaseFormer (использующая повоксельное темпоральное внимание). Использовалась мультизадачная функция потерь, объединяющая Dice loss, Focal Tversky loss и кросс-энтропию. Научная новизна работы состоит в моделировании фаз КТ как упорядоченной временной последовательности с обучаемыми фазовыми эмбеддингами и в реализации направленного межфазного внимания с опорной фазой, обеспечивающего неявное выравнивание признаков на уровне глубоких представлений без вычислительно затратной трёхмерной регистрации. По результатам экспериментов MultiPhaseFormer обеспечивает средний коэффициент Dice 0,5373 против 0,4616 у базовой 3D U-Net и точность классификации типа патологии 0,80 против 0,64. Установлено, что повоксельное направленное межфазное внимание снижает межклассовую путаницу для диагностически близких типов опухолей. Полученные результаты применимы в системах поддержки принятия врачебных решений в лучевой диагностике и подтверждают, что учёт темпоральной структуры межфазных данных является существенным фактором повышения качества автоматического анализа многофазной КТ.

Ключевые слова: многофазная компьютерная томография, семантическая сегментация, механизм внимания, межфазное внимание, гибридные нейросетевые архитектуры, глубокое обучение, сегментация опухолей печени, мультизадачное обучение, MultiPhaseFormer, темпоральное внимание

Abstract: The subject of this article is neural network architectures for semantic segmentation of multiphase computed tomography (CT) images and methods for integrating temporally ordered phase data based on attention mechanisms. The aim of the work is to develop and experimentally validate a hybrid architecture, MultiPhaseFormer, which provides high-accuracy segmentation of tumor lesions and classification of pathology type by explicitly modeling the dynamics of contrast agent accumulation across phases without requiring prior spatial image registration. The article proposes a Temporal Phase Inter-attention (TPIA) mechanism, in which contrast phases are treated as an ordered temporal sequence, and the query of the attention mechanism is formed from the reference portal-venous phase. The models were trained and validated under identical conditions using the publicly available Primary Liver Cancer CECT dataset. Three architectures of increasing complexity were developed: BaselineUNet3D (using early phase fusion), HybridTPIANetLite (based on averaged phase attention), and the target model MultiPhaseFormer (using voxel-wise temporal attention). A multi-task loss function combining Dice loss, Focal Tversky loss, and cross-entropy was employed. The scientific novelty of the work lies in modeling CT phases as an ordered temporal sequence with learnable phase embeddings, and in implementing directed interphase attention with a reference phase, enabling implicit feature alignment at the level of deep representations without computationally expensive 3D registration. According to experimental results, MultiPhaseFormer achieves a mean Dice coefficient of 0.5373 compared to 0.4616 for the baseline 3D U-Net, and a pathology type classification accuracy of 0.80 compared to 0.64. It was found that voxel-wise directed interphase attention reduces inter-class confusion for diagnostically similar tumor types. The obtained results are applicable to clinical decision support systems in radiology and confirm that accounting for the temporal structure of interphase data is a crucial factor in improving the quality of automatic multiphase CT analysis.

Keywords: multiphase computed tomography, semantic segmentation, attention mechanism, cross-phase attention, hybrid neural network architectures, deep learning, liver tumor segmentation, multi-task learning, MultiPhaseFormer, temporal attention