Browsing by Author "Pozdniakovych, Oleksandr"
Now showing 1 - 8 of 8
Results Per Page
Sort Options
Item Змагальні атаки на системи машинного зору(Київський національний економічний університет імені Вадима Гетьмана, 2023) Позднякович, Олександр Євгенович; Pozdniakovych, OleksandrЗастосування глибоких нейронних мереж у комп’ютерному зорі дало змогу досягти значних результатів у вирішенні багатьох задач, таких як класифікація зображень, виявлення об’єктів, семантична сегментація, класифікація відео. Однак глибокі нейронні мережі чутливі до невеликих змін вхідних даних. Стаття присвячена проблемі змагальних атак на системи машинного зору, які можуть негативно впливати на надійність та точність таких систем. Проводиться аналіз останніх досліджень і публікацій у цій галузі, описуються основні види атак та захист від них. The use of deep neural networks in computer vision has made it possible to achieve significant results in solving many problems, such as image classification, object detection, semantic segmentation, video classification. However, deep neural networks are sensitive to small changes in the input data. The article is devoted to the problem of adversarial attacks on machine vision systems, which can negatively affect the reliability and accuracy of such systems. The article analyzes the latest research and publications in this area, describes the main approaches to attacks and defense against them.Item Методи оптимізації гіперпараметрів у машинному навчанні(Київський національний економічний університет імені Вадима Гетьмана, 2024) Позднякович, Олександр Євгенович; Pozdniakovych, OleksandrСтаття присвячена проблемі оптимізації гіперпараметрів у машинному навчанні. Проводиться аналіз різних методів для поліпшення продуктивності моделей. У статті досліджено сучасні підходи до оптимізації гіперпараметрів у машинному навчанні, що є критично важливими для підвищення точності та узагальнюючої здатності моделей глибо кого навчання. Розглянуто проблему залежності ефективності моделей від вибору гіперпараметрів, таких як швидкість навчання, параметри регуляризації та архітектурні особливості мережі. Проаналізовано пере ваги та обмеження основних методів оптимізації: базових (grid search, random search), байєсівських, еволюційних алгоритмів, а також методів зі змінною точністю (successive halving, Hyperband). Особливу увагу приділено використанню байєсівської оптимізації із сурогатними моделями на основі гауссових процесів, які дозволяють прогнозувати значення цільової функції та рівень невизначеності. Описано функції збору, такі як Expected Improvement, Probability of Improvement та Upper Confidence Bound, що керують процесом вибору нових гіперпараметрів. Показано, що ефективне використання обчислювальних ресурсів, зокрема через методи змінної точності, є ключовим чинником у задачах масштабного налаштування моделей. Визначено, що еволюційні алгоритми забезпечують гнучкість у дослідженні простору гіперпараметрів, хоча мають високу обчислювальну складність. У висновках підкреслено важливість автоматизації процесу налаштування гіперпараметрів, інтеграції цих методів у життєвий цикл моделі та перспективність подальших досліджень у напряму масштабованих і розподілених обчислень. Результати мають практичну цінність для побудови продуктивних моделей у середовищах з обмеженими ресурсами та високими вимогами до точності прогнозування. The article is devoted to the problem of hyperparameter optimization in machine learning. Different methods for improving model performance are analyzed. The article explores modern approaches to hyperparameter optimization in machine learning, which is critically important for enhancing the accuracy and generalization capability of deep learning models. It addresses the issue of model performance dependency on the selection of hyperparameters such as learning rate, regularization parameters, and network architecture. The study analyzes the strengths and limitations of the main optimization methods: basic (grid search, random search), Bayesian, evolutionary algorithms, and variable fidelity methods (successive halving, Hyperband). Special attention is given to Bayesian optimization using surrogate models based on Gaussian processes, which allow for predicting the value of the objective function and the level of uncertainty. Acquisition functions such as Expected Improvement, Probability of Improvement, and Upper Confidence Bound are described as key mechanisms in guiding the selection of new hyperparameters. The article shows that efficient use of computational resources, particularly through variable fidelity approaches, is a crucial factor in large-scale model tuning tasks. It is determined that evolutionary algorithms provide flexibility in exploring the hyperparameter space, albeit with high computational complexity. The conclusions emphasize the importance of automating the hyperparameter tuning process, integrating these methods into the model development lifecycle, and the prospects for future research in scalable and distributed computing. The findings are practically valuable for building high-performance models in resource-constrained environments with strict predictive accuracy requirements.Item Моделювання системи поведінкового аналізу для протидії автоматизованим кіберзагрозам(Київський національний економічний університет імені Вадима Гетьмана, 2026-06) Позднякович, Олександр Євгенович; Pozdniakovych, OleksandrItem Основні математичні моделі прийняття рішень у штучному інтелекті(Київський національний економічний університет імені Вадима Гетьмана, 2025-06) Позднякович, Олександр Євгенович; Pozdniakovych, Oleksandr; Масьома, В. Т.Item Соціальна відповідальність вищих навчальних закладів у підготовці конкурентоспроможних фахівців(ДВНЗ «Київський національний університет імені Вадима Гетьмана», 2016-03) Позднякович, Олександр Євгенович; Pozdniakovych, Oleksandr; Позднякович, Александр ЕвгеньевичItem Теоретико-ігрові моделі для забезпечення стійкості та безпеки інформаційних архітектур зі штучним інтелектом(Київський національний економічний університет імені Вадима Гетьмана, 2025-06) Позднякович, Олександр Євгенович; Pozdniakovych, Oleksandr; Андрійчук, І. В.; Гриневич, А. О.Item Цифрова компетентність викладача вищого навчального закладу в сучасних умовах(Київський національний університет імені Вадима Гетьмана, 2022-11-26) Позднякович, Олександр Євгенович; Pozdniakovych, Oleksandr; Позднякович, Александр ЕвгеньевичItem Штучний інтелект у сучасному освітньому просторі(Київський національний економічний університет імені Вадима Гетьмана, 2024-04) Позднякович, Олександр Євгенович; Pozdniakovych, Oleksandr; Позднякович, Александр Евгеньевич