Результаты поиска по 'информация':
Найдено статей: 143
  1. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 6, с. 1415-1418
    Editor’s note
    Computer Research and Modeling, 2023, v. 15, no. 6, pp. 1415-1418
  2. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 2, с. 245-248
    Editor’s note
    Computer Research and Modeling, 2024, v. 16, no. 2, pp. 245-248
  3. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 4, с. 821-823
    Editor’s note
    Computer Research and Modeling, 2024, v. 16, no. 4, pp. 821-823
  4. От редакции
    Компьютерные исследования и моделирование, 2025, т. 17, № 3, с. 385-387
    Editor's note
    Computer Research and Modeling, 2025, v. 17, no. 3, pp. 385-387
  5. От редакции
    Компьютерные исследования и моделирование, 2025, т. 17, № 4, с. 525-528
    Editor’s note
    Computer Research and Modeling, 2025, v. 17, no. 4, pp. 525-528
  6. От редакции
    Компьютерные исследования и моделирование, 2025, т. 17, № 5, с. 757-760
    Editor’s note
    Computer Research and Modeling, 2025, v. 17, no. 5, pp. 757-760
  7. От редакции
    Компьютерные исследования и моделирование, 2025, т. 17, № 6, с. 1033-1035
    Editor’s note
    Computer Research and Modeling, 2025, v. 17, no. 6, pp. 1033-1035
  8. От редакции
    Компьютерные исследования и моделирование, 2026, т. 18, № 4, с. 741-745
    Editor’s note
    Computer Research and Modeling, 2026, v. 18, no. 4, pp. 741-745
  9. Никулин В.Н.
    О разложении матриц при помощи метода стохастического градиентного спуска в приложении к задаче направляемой классификации микрочипов
    Компьютерные исследования и моделирование, 2013, т. 5, № 2, с. 131-140

    Многомерные данные, при использовании значительно большего количества признаков относительно меньшего числа наблюдений, порождают хорошо известную проблему переопределённой задачи. В связи с этим, представляется целесообразным описание данных в терминах меньшего числа мета-признаков, которые вычисляются при помощи так называемых матричных факторизаций. Такие факторизации способствуют уменьшению случайного шума при сохранении наиболее существенной информации. Три новых и взаимосвязанных метода предложены в этой статье: 1) факторизационный механизм градиентного спуска с двумя (согласно размерности микрочипа) гибкими и адаптируемыми параметрами обучения, включая явные формулы их автоматического пересчета, 2) непараметрический критерий для отбора количества факторов, и 3) неотрицательная модификация градиентной факторизации, которая не требует дополнительных вычислительных затрат в сравнении с базовой моделью. Мы иллюстрируем эффективность предложенных методов в приложении к задаче направляемой классификации данных в области биоинформатики.

    Ключевые слова: матричная факторизация, ненаправляемое обучение, количество факторов, непараметрический критерий, неотрицательность, оставить одного извне, классификация.
    Nikulin V.N.
    On the stochastic gradient descent matrix factorization in application to the supervised classification of microarrays
    Computer Research and Modeling, 2013, v. 5, no. 2, pp. 131-140

    Microarray datasets are highly dimensional, with a small number of collected samples in comparison to thousands of features. This poses a significant challenge that affects the interpretation, applicability and validation of the analytical results. Matrix factorizations have proven to be a useful method for describing data in terms of a small number of meta-features, which reduces noise, while still capturing the essential features of the data. Three novel and mutually relevant methods are presented in this paper: 1) gradient-based matrix factorization with two adaptive learning rates (in accordance with the number of factor matrices) and their automatic updates; 2) nonparametric criterion for the selection of the number of factors; and 3) nonnegative version of the gradient-based matrix factorization which doesn't require any extra computational costs in difference to the existing methods. We demonstrate effectiveness of the proposed methods to the supervised classification of gene expression data.

    Keywords: matrix factorization, unsupervised learning, number of factors, nonnegativity, bioinformatics, leaveone-out, classification.
    Citations: 4 (RSCI).
  10. Стёпкин А.В.
    Использование коллектива агентов для распознавания графа
    Компьютерные исследования и моделирование, 2013, т. 5, № 4, с. 525-532

    В работе рассматривается задача распознавания графов коллективом агентов. Два агента-исследователя одновременно передвигаются по графу, считывают и изменяют метки элементов графа, передают необходимую информацию агенту-экспериментатору, который строит представление исследуемого графа. Построен алгоритм распознавания линейной (от числа вершин графа) временной сложности, квадратичной емкостной сложности и коммуникационной сложности равной O(n2·log(n)), где n — число вершин графа. Для распознавания два, передвигающиеся по графу, агента используют по две различные краски (всего три краски). Алгоритм основан на методе обхода графа в глубину.

    Ключевые слова: распознавание графа, коллектив агентов.
    Stepkin A.V.
    Using collective of agents for exploration of graph
    Computer Research and Modeling, 2013, v. 5, no. 4, pp. 525-532

    Problem of exploration finite undirected graphs by a collective of agents is considered in this work. Two agents-researchers simultaneously move on graph, they read and change marks of graph elements, transfer the information to the agent-experimenter (it builds explored graph representation). It was constructed an algorithm linear (from amount of the graph’s nodes) time complexity, quadratic space complexity and communication complexity, that is equal to O(n2·log(n)). Two agents (which move on graph) need two different colors (in total three colors) for graph exploration. An algorithm is based on depth-first traversal method.

    Keywords: graph exploration, collective of agents.
    Views (last year): 4. Citations: 2 (RSCI).
Pages: « first previous next last »

Indexed in Scopus

Full-text version of the journal is also available on the web site of the scientific electronic library eLIBRARY.RU

The journal is included in the Russian Science Citation Index

The journal is included in the RSCI

International Interdisciplinary Conference "Mathematics. Computing. Education"

Website Copyright © 2009–2026 Institute of Computer Science