En
Register Log in

List of publications on a keyword: «графовые нейронные сети»

  • Графовые модели структурных зависимостей в цифровых двойниках как инструмент повышения социально-экономической эффективности предприятий

    Conference Paper
    Strategies of Sustainable Development: Social, Law and External-economic Aspects
    Authors:
    Olesia O. Oleinikova, Alena A. Stupina, Boris V. Potapov
    Work direction:
    Вопросы социально-экономической эффективности предприятий
    Abstract:
    В статье рассмотрено применение графовых нейронных сетей для анализа структурных зависимостей в цифровых двойниках промышленных предприятий. Производственный процесс формализован как ориентированный гетерогенный граф; архитектура Graph Attention Network предсказывает вероятность каскадных отказов. На реальном датасете UCI AI4I 2020 показано преимущество подхода: F1 = 0,891, упреждение 2,4 производственного цикла, снижение ложных срабатываний на 16,3%. Обосновано влияние метода на социально-экономическую эффективность предприятий: сокращение незапланированных простоев, оптимизация ремонтов, устойчивость занятости.
    Keywords:
    Go 

  • Grafovye neironnye seti kak instrument prognozirovaniia akademicheskikh riskov v obrazovatel'noi srede: analogiia s tsifrovymi dvoinikami promyshlennykh linii

    Conference Paper
    Pedagogy, Psychology, Society: from theory to practice
    Authors:
    Polina D. Cherniaeva, Ekaterina S. Almazova, Veronika I. Panchenko, Aliona A. Stupina
    Work direction:
    Цифровая трансформация образования
    Abstract:
    Обосновывается перенос методологии графовых нейронных сетей (ГНС), апробированной на датасете UCI AI4I 2020 для предиктивного обслуживания промышленных линий, на задачу анализа академических рисков обучающихся. Производственная линия формализуется как ориентированный гетерогенный граф, а Graph Attention Network (GAT) прогнозирует вероятность «каскадных сбоев» с F1 = 0,891 и упреждением в 2,4 цикла. Проводится педагогическая интерпретация результатов: узлы графа соответствуют образовательным модулям, а рёбра – логическим и мотивационным зависимостям, что создаёт основу для индивидуализации сопровождения.
    Keywords:
    Go 

  • Iskusstvennyi intellekt na marshrute: kak neiroseti optimiziruiut protsessy logistiki

    Conference Paper
    The socio-economic landscape of the region: people and digital transformation
    Author:
    Dar'ia S. Ashurkina
    Work direction:
    Цифровое управление логистическими потоками
    Abstract:
    Актуальность исследования обусловлена экспоненциальным ростом объема перевозок в условиях развития электронной коммерции и урбанизации, что делает традиционные методы диспетчеризации, основанные на человеческом опыте и статических алгоритмах, недостаточно эффективными. В статье рассматривается проблематика внедрения технологий искусственного интеллекта, в частности нейросетевых моделей, в процессы оперативного управления логистическими маршрутами. Методологическую базу исследования составил анализ современных научных публикаций и отраслевых отчетов, посвященных применению графовых нейронных сетей, моделей пространственно-временного внимания, а также мультиагентных систем в логистике. В результате исследования систематизированы ключевые направления, где искусственный интеллект превосходит человека: обработка данных в реальном времени, учет множества динамических факторов (пробки, погода, срочность заказа), предиктивная аналитика и самообучение. Нейросети не просто автоматизируют рутину, а создают принципиально новый уровень управления – проактивный, способный предвидеть сбои и адаптировать маршруты быстрее и точнее, чем это способен сделать диспетчер в условиях информационной перегрузки.
    Keywords:
    Go 

  • Mashinnoe obuchenie na grafakh: evoliutsiia metodov analiza strukturnykh dannykh v tsifrovuiu epokhu

    Conference Paper
    Education, innovation, research as a resource for community development
    Authors:
    Iurii A. Tregubov, Aleksei I. Alifirenko, Aleksandr E. Sergeev
    Work direction:
    Современные технологии в образовании
    Abstract:
    В статье исследуется становление и развитие методов машинного обучения на графах как самостоятельного направления искусственного интеллекта, возникшего на стыке теории графов, нейронных сетей и анализа сложных систем. С позиций историко-научного подхода прослеживается трансформация представлений об обработке структурированных данных с начала XXI в. до настоящего времени: от ранних алгебраических методов до современных архитектур графовых нейронных сетей (GNN). Анализируются ключевые концепции, такие как агрегация сообщений, механизмы внимания и встраивание вершин, в контексте их практического применения в социальных сетях, биоинформатике и городском планировании. Особое внимание уделяется парадигматическим сдвигам, обусловленным появлением фреймворков глубокого обучения, а также этическим и техническим вызовам, сопровождающим внедрение этих технологий. Показано, что машинное обучение на графах не только расширило границы анализа связанных данных, но и переосмыслило саму природу «структурной информации» в цифровую эпоху.
    Keywords:
    Go