Аннотация: Позиционирование внутри помещений в сети Wi-Fi относится к классу задач, в которых зависимость выходных характеристик от входных переменных подвержена влиянию многих параметров и внешних факторов. При решении таких задач необходимо учитывать, что в определении местоположения существенный интерес представляет не только определение статических координат объекта, но и прогнозирование вектора его перемещений. В случае, когда местоположение объекта определяется только по уровню мощности сигнала, принимаемого от нескольких точек доступа в сети Wi-Fi, использование моделей затухания сигнала, учитывающих условия распространения радиоволн внутри помещений, затруднено из-за необходимости в достоверных сведениях о материале перекрытий, пола и потолка, наличии фиксированных и мобильных затеняющих объектов и т.д. Поскольку электромагнитная обстановка внутри помещения меняется в зависимости от многих факторов, вышеупомянутые модели приходится подстраивать под эти изменения. Так как нахождение закономерностей в большом объёме данных требует нестандартных алгоритмов, для решения задачи позиционирования можно использовать искусственные нейронные сети. Важно выбрать архитектуру нейронной сети, способную учитывать изменения уровня сигнала, принимаемого мобильным устройством от точек доступа сети Wi-Fi. Перед обучением нейронной сети проводится предобработка статистических данных. Например, из набора данных для машинного обучения исключаются аномальные случаи, когда в одной измерительной точке устройство фиксирует сигнал менее чем от трех точек доступа. В результате анализа статистических данных было установлено, что одинаковое расстояние между измерительными точками приводит к тому, что нейронная сеть неверно определяет местоположение объекта. В работе показано, что в целях повышения точности позиционирования местоположения в условиях сложной радиообстановки при составлении радиокарт необходимо определить оптимальные варьирующиеся расстояния между измерительными точками. Проведённые экспериментальные исследования с учётом предложенного подхода к оптимизации расстояний между измерительными точками доказывают, что точность определения местоположения в подавляющем большинстве измерительных точек достигает 100%.

Ключевые слова: Wi-Fi, позиционирование, измерительная точка, RSSI, нейронная сеть, мощность сигнала, скрытый слой, машинное обучение, обучающая выборка, набор обучающих данных

Abstract: Indoor positioning on a Wi-Fi network belongs to a class of tasks in which the dependence of output characteristics on input variables is influenced by many parameters and external factors. When solving such problems, it is necessary to take into account that in determining the location, it is of significant interest not only to determine the static coordinates of an object, but also to predict the vector of its movements. In the case where the location of an object is determined only by the level of signal power received from several access points on a Wi-Fi network, the use of signal attenuation models that take into account the conditions of propagation of radio waves indoors is difficult due to the need for reliable information about the material of ceilings, floors and ceilings, the presence of fixed and mobile shading objects, etc. Since the electromagnetic environment inside the room varies depending on many factors, the above-mentioned models have to be adjusted to these changes. Since finding patterns in a large amount of data requires non-standard algorithms, artificial neural networks can be used to solve the positioning problem. It is important to choose a neural network architecture that can take into account changes in the signal strength received by a mobile device from Wi-Fi access points. Before training a neural network, statistical data is preprocessed. For example, abnormal cases are excluded from the machine learning dataset when the device detects a signal from less than three access points at one measuring point. As a result of the analysis of statistical data, it was found that the same distance between the measuring points leads to the fact that the neural network incorrectly determines the location of the object. The paper shows that in order to increase the accuracy of positioning the location in conditions of complex radio placement, when compiling radio maps, it is necessary to determine the optimal varying distances between measuring points. The conducted experimental studies, taking into account the proposed approach to optimizing the distances between measuring points, prove that the accuracy of location determination in the vast majority of measuring points reaches 100%.

Keywords: machine learning, hidden layer, signal strength, neural network, RSSI, measuring point, positioning, Wi-Fi, training sample, training set

Аннотация: Предметом исследования в данной статье является обобщение текстов на русском языке с использованием моделей искусственного интеллекта. В частности, авторы сравнивают популярные модели GigaChat, YaGPT2, ChatGPT-3.5, ChatGPT-4, Bard, Bing AI и YouChat и проводят сравнительное исследование их работы на текстах русского языка. В качестве исходных материалов для последующего обобщения в статье берутся наборы данных для русского языка, такие как Gazeta, XL-Sum и WikiLingua, а также для сравнения эффективности обобщения были взяты дополнительные наборы данных на английском языке CNN Dailymail и XSum. В статье применяются показатели: ROUGE, BLEU score, BERTScore, METEOR и BLEURT для оценки обобщения текстов.  В данной статье в качестве метода исследования используется сравнительный анализ данных, полученных в ходе автоматического обобщения с помощью моделей искусственного интеллекта. Научная новизна исследования заключается в проведении сравнительного анализа качества автоматического обобщения текстов на русском и английском языках с использованием различных нейросетевых моделей обработки естественного языка. Авторы исследования привлекли внимание к новым моделям GigaChat, YaGPT2, ChatGPT-3.5, ChatGPT-4, Bard, Bing AI и YouChat, рассматривая и анализируя их эффективность в задаче обобщения текста. Итоги обобщения на русском языке показывают, что YouChat демонстрирует самые высокие результаты по совокупности оценок, подчеркивая эффективность модели в обработке и генерации текста с более точным воспроизведением ключевых элементов содержания. В отличие от YouChat, модель Bard показала наихудшие результаты, представляя собой модель с наименьшей способностью к генерации связного и релевантного текста.

Ключевые слова: Bard, ChatGPT-4, ChatGPT-3, YaGPT2, GigaChat, суммаризация текста, обработка естественного языка, Bing AI, YouChat, сжатие текста

Abstract: The subject of the research in this article is the generalization of texts in Russian using artificial intelligence models. In particular, the authors compare the popular models GigaChat, YaGPT2, ChatGPT-3.5, ChatGPT-4, Bard, Bing AI and YouChat and conduct a comparative study of their work on Russian texts. The article uses datasets for the Russian language, such as Gazeta, XL-Sum and WikiLingua, as source materials for subsequent generalization, as well as additional datasets in English, CNN Dailymail and XSum, were taken to compare the effectiveness of generalization. The article uses the following indicators: ROUGE, BLEU score, BERTScore, METEOR and BLEURT to assess the quality of text synthesis. In this article, a comparative analysis of data obtained during automatic generalization using artificial intelligence models is used as a research method. The scientific novelty of the research is to conduct a comparative analysis of the quality of automatic generalization of texts in Russian and English using various neural network models of natural language processing. The authors of the study drew attention to the new models GigaChat, YaGPT2, ChatGPT-3.5, ChatGPT-4, Bard, Bing AI and YouChat, considering and analyzing their effectiveness in the task of text generalization. The results of the generalization in Russian show that YouChat demonstrates the highest results in terms of the set of ratings, emphasizing the effectiveness of the model in processing and generating text with a more accurate reproduction of key elements of content. Unlike YouChat, the Bard model showed the worst results, representing the model with the least ability to generate coherent and relevant text. The data obtained during the comparison will contribute to a deeper understanding of the models under consideration, helping to make a choice when using artificial intelligence for text summarization tasks as a basis for future developments.

Keywords: text compression, YouChat, Bing AI, Bard, ChatGPT-4, ChatGPT-3, YaGPT2, GigaChat, text summarization, natural language processing

Аннотация: В статье исследуется принцип работы модели Proof of Performance (PoP), основанной на алгоритме консенсуса, поддерживающем функции горизонтального шардинга. Модель PoP вносит изменения в традиционную структуру блоков, используемую в алгоритмах Proof of Stake и сетях на базе ядра Tendermint. Горизонтальный шардинг позволяет распределять транзакции между несколькими узлами (шардами), что значительно увеличивает пропускную способность сети. Основная цель исследования – изучение способов повышения эффективности и масштабируемости блокчейн-сетей через динамическое распределение транзакций и адаптивное управление узлами. Важным аспектом является определение параметров и изменяемых характеристик узлов, таких как производительность и надежность для равномерного и справедливого распределения нагрузки внутри сети. Это обеспечивает адаптацию системы к изменяющимся условиям нагрузки.  В работе используются аналитические и формальные методы для описания структуры блока, механизма распределения транзакций и системы наказаний и поощрений для шардов. Исследование представляет собой инновационный подход к управлению блокчейн-сетями, акцентируя внимание на производительности узлов. Модель PoP с горизонтальным шардингом обеспечивает более высокую пропускную способность и масштабируемость сети по сравнению с традиционными алгоритмами консенсуса. Предложена система динамического распределения нагрузки и адаптивного изменения весов узлов на основе их производительности, что способствует повышению эффективности и надежности сети. В результате исследования доказано, что модель Proof of Performance значительно увеличивает скорость обработки транзакций и общую производительность блокчейн-сети. Примеры применения подтверждают эффективность модели в различных типах сетей, таких как DeFi-платформы, системы управления цепочками поставок и IoT-сети. Модель PoP стимулирует узлы к поддержанию высокой производительности, обеспечивая справедливое распределение нагрузки и повышая общую устойчивость сети.

Ключевые слова: Модель консенсуса, Алгоритм консенсуса, Шард, Блок, Доказательство производительности, Доказательство ставки, Горизонтальный шардинг, Производительность, Распределение нагрузки, Блокчейн

Abstract: The article examines the working principle of the Proof of Performance (PoP) model, based on a consensus algorithm that supports horizontal sharding functions. The PoP model introduces changes to the traditional block structure used in Proof of Stake algorithms and Tendermint-based networks. Horizontal sharding allows transactions to be distributed among multiple nodes (shards), significantly increasing the network's throughput. The main goal of the study is to explore ways to enhance the efficiency and scalability of blockchain networks through dynamic transaction distribution and adaptive node management. An important aspect is the definition of parameters and adjustable characteristics of nodes, such as performance and reliability, to ensure even and fair load distribution within the network. This provides the system with the ability to adapt to changing load conditions. The study employs analytical and formal methods to describe the block structure, transaction distribution mechanism, and the system of penalties and rewards for shards. The research represents an innovative approach to managing blockchain networks, focusing on node performance. The PoP model with horizontal sharding provides higher throughput and scalability compared to traditional consensus algorithms. A system of dynamic load distribution and adaptive weight adjustment of nodes based on their performance is proposed, which contributes to the improvement of the network's efficiency and reliability. The results of the study demonstrate that the Proof of Performance model significantly increases transaction processing speed and overall blockchain network performance. Application examples confirm the model's effectiveness in various types of networks, such as DeFi platforms, supply chain management systems, and IoT networks. The PoP model encourages nodes to maintain high performance, ensuring fair load distribution and enhancing the overall network resilience.

Keywords: Blockchain, Load distribution, Performance, Horizontal sharding, Proof of Stake, Proof of Performance, Block, Shard, Consensus algorithm, Consensus model

Аннотация: Объектом исследования настоящей работы являются однородные коллективы автоматов, обладающие свойством целенаправленного поведения. Предметом настоящего исследования является сравнение различных конструкций таких автоматов при реализации условий игры в размещения.  Целью настоящего исследования является количественная оценка влияния инерционных свойств автоматов и значений глубины памяти на эффективность функционирования коллектива автоматов в рамках игры в размещения. В рассматриваемых коллективах автоматы выполняют действия в заданной среде обитания с различной степенью результативности. Автоматы, в соответствии со своей конструкцией, реагируют на поданный входной сигнал очередным действием. Оценка эффективности автомата определяется, как сумма положительных сигналов, или отрицательных сигналов, полученных автоматом за рассматриваемый промежуток времени. Указанная характеристика зависит, как от заявленной конструкции автомата, так и от глубины его памяти. Требуется определить наиболее простые конструкции автоматов, позволяющие достигать оптимума эффективности в заданной окружающей среде наискорейшим образом. Формализация, как свойство окружающей среды, так и действий автоматов, а также обработка полученных результатов производится при помощи аппарата теории игр. В этом случае значения эффективности функционирования автоматов представляются, как совокупные суммы выигрышей и проигрышей игроков-автоматов. Новизной проведенного исследования является построение интегральной оценки эффективности поведения коллектива автоматов, позволяющей проследить не только стремление коллектива к маскимизации суммы поощрений, но и к минимизации внутриколлективной конкуренции. Полученный результат позволяет проследить влияние инерционных качеств автоматов, реализованных в виде соответствующих конструкций, на эффективность функционирования в заданной окружающей среде, формализованной в виде игры в размещения. Автомат с линейной тактикой и автомат Крылова образуют две предельные реализации автоматной стратегии приближения к оптимуму. Первые за счет высокой скорости смены действий, вторые за счет длительного пребывания в состояниях, близких к оптимальным. Областью применения полученных результатов является дальнейшее исследование более сложных динамических сред при помощи наиболее простых конструкций автоматов, так как синхронные коллективы автоматов в процессе вычислительной реализации плохо поддаются распараллеливанию, что приводит к значительному росту временных и вычислительных затрат при усложнении структуры динамических сред или при увеличении данных оптимизационных задач.

Ключевые слова: однородный коллектив автоматов, целесообразное поведение, поощрения, штрафы, обучение с подкреплением, автомат, глубина памяти, теория игр, оптимальная стратегия, игра в размещения

Abstract: The object of research in this work is homogeneous collectives of automata with the property of purposeful behavior. The subject of this study is a comparison of different designs of such machines in the implementation of the conditions of the game of placement. The aim of the study is to establish the best (or similar) structures in terms of properties in order to optimize the time and computational costs of more complex machine learning models based on the principle of reinforcement learning. In the collectives under consideration, automata perform actions in a given habitat (functioning) with varying degrees of effectiveness. The automata, in accordance with their design, react to the input signal with another action. The evaluation of the effectiveness of the machine is defined as the sum of positive signals (rewards) or negative signals (penalties) received by the machine during the considered period of time. This characteristic depends on both the declared design of the machine and the depth of its memory. It is necessary to determine the simplest designs of automata that allow achieving optimal efficiency in a given environment in the shortest possible way. The formalization of both the properties of the environment and the actions of automata, as well as the processing of the results obtained, is carried out using the apparatus of game theory. In this case, the values of the effectiveness of the functioning of the machines are represented as the cumulative amounts of winnings and losses of the slot machine players. As result of the research the designs of automata that provide a given efficiency of functioning with a minimum depth of memory (the least complex design) are presented. The result obtained makes it possible to trace the influence of the inertial qualities of automata, implemented in the form of appropriate structures, on the efficiency of functioning in a given environment, formalized in the form of a game of placement. An automaton with linear tactics and a Krylov automaton form two marginal implementations of an automaton strategy for approaching the optimum. The first is due to the high speed of changing actions, the second is due to a long stay in states close to optimal. The field of application of the results obtained is further investigation of more complex dynamic environments using the simplest designs of automata, since synchronous collectives of automata in the process of computational implementation are difficult to parallelize, which leads to a significant increase in time and computational costs with the complication of the structure of dynamic environments or with an increase in these optimization tasks.

Keywords: optimal strategy, game theory, memory depth, machine, reinforcement learning, fines, incentives, appropriate behavior, homogeneous group of machines, placement game

Аннотация: В представленной работе объектом исследования являются системы компьютерного зрения. Предмет исследования – метод обнаружения объектов на изображениях на основе нейронных сетей на графах и небольшого количества обучающих примеров. Подробно рассматриваются такие аспекты темы как использование структурного представления сцены для повышения точности обнаружения объектов. Предлагается совместное использование информации о структуре сцены на основе нейронных сетей на графах и обучения с «нескольких выстрелов» для повышения точности обнаружения объектов. Устанавливаются отношения между классами с помощью внешних семантических связей. Для этого предварительно создаётся граф знаний. Метод содержит два этапа. На первом этапе выполняется обнаружение объектов на основе обучения с «нескольких выстрелов». На втором этапе выполняется повышение точности обнаружения с использованием нейронной сети на графах. Основой разрабатываемого метода является использование свёртки на основе спектральной теории графов. Каждая вершина представляет собой категорию в графе знаний, а вес ребра графа рассчитывается на основе условной вероятности. На основе свёртки объединяется информация из соседних вершин и рёбер для обновления значений вершин. Научная новизна разработанного метода заключается в совместном использовании свёрточных сетей на графах и обучения с «нескольких выстрелов» для увеличения точности обнаружения объектов. Особым вкладом автора в исследование темы является применение свёрточной сети на основе графа знаний для улучшения результатов работы метода обнаружения объектов при использовании малого количества обучающих примеров. Метод исследовался на тестовых наборах изображений из области компьютерного зрения. Используя наборы данных PASCAL VOC и MS COCO продемонстрировано, что предлагаемый метод увеличивает точность обнаружения объектов за счет анализа структурных взаимосвязей. Средняя точность обнаружения объектов при использовании разработанного метода увеличивается на 1-5% по сравнению с методом обучения с «нескольких выстрелов» без использования структурного представления.

Ключевые слова: компьютерное зрение, обнаружение объектов, свёрточные сети, небольшой набор данных, глубокое обучение, ограниченная аннотация, граф, распознавание образов, искусственный интеллект, структурное представление сцен

Abstract: In the presented work, the object of research is computer vision systems. The subject of the study is a method for detecting objects in images based on neural networks on graphs and a small number of training examples. Such aspects of the topic as the use of a structural representation of the scene to improve the accuracy of object detection are discussed in detail. It is proposed to share information about the structure of the scene based on neural networks on graphs and training from "multiple shots" to increase the accuracy of object detection. Relationships between classes are established using external semantic links. To do this, a knowledge graph is pre-created. The method contains two stages. At the first stage, object detection is performed based on training with "multiple shots". At the second stage, the detection accuracy is improved using a neural network on graphs. The basis of the developed method is the use of convolution based on spectral graph theory. Each vertex represents a category in the knowledge graph, and the edge weight of the graph is calculated based on conditional probability. Based on the convolution, information from neighboring vertices and edges is combined to update the vertex values. The scientific novelty of the developed method lies in the joint use of convolutional networks on graphs and training from "multiple shots" to increase the accuracy of object detection. A special contribution of the author to the research of the topic is the use of a convolutional network based on a knowledge graph to improve the results of the object detection method using a small number of training examples. The method was studied on test sets of images from the field of computer vision. Using the PASCAL VOC and MS COCO datasets, it is demonstrated that the proposed method increases the accuracy of object detection by analyzing structural relationships. The average accuracy of object detection using the developed method increases by 1-5% compared to the "multiple shots" training method without using a structural representation.

Keywords: artificial intelligence, pattern recognition, graph, limited annotation, deep learning, small data set, convolutional networks, object detection, computer vision, structural representation of scenes