Graph Condensation for Large Factor Models

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The paper proposes an original method for processing large factor models based on graph condensation using machine learning models and artificial neural networks. The proposed mathematical apparatus can be used in problems of planning and managing complex organizational and technical systems, in optimizing large socio-economic objects on the scale of state sectors, to solve problems of preserving the health of the nation (searching for compatibility when taking medications, optimizing resource provision for healthcare).

Sobre autores

B. Chetverushkin

Keldysh Institute of Applied Mathematics (Russian Academy of Sciences)

Autor responsável pela correspondência
Email: office@keldysh.ru

Academician of the RAS

Rússia, Moscow

V. Sudakov

Keldysh Institute of Applied Mathematics (Russian Academy of Sciences)

Email: sudakov@ws-dss.com
Rússia, Moscow

Yu. Titov

Moscow Aviation Institute (National Research University)

Email: kalengul@mail.ru
Rússia, Moscow

Bibliografia

  1. Четверушкин Б.Н., Судаков В.А. Факторная модель для исследования сложных процессов // Доклады Академии наук. 2019. Т. 489. № 1. С. 17–21.
  2. Forrester J.W. Policies, decisions and information sources for modeling // European Journal of Operational Research. 1992. V. 59. № 1. P. 42–63.
  3. Honti G., Dörgő G., Abonyi J. Network analysis dataset of system dynamics models // Data in Brief. 2019. V. 27. P. 104723.
  4. Jain A., Murty M., Flynn P. Data Clustering: A Review // ACM Computing Surveys. 1999. V. 31. № 3.
  5. Lance G.N., Williams W.T. A general theory of classification sorting strategies in hierarchical system // Comp. J. 1967. № 9. P. 373–380.
  6. Kohonen T. Essentials of the self-organizing map // Neural Networks. 2013. V. 37. P. 52–65.
  7. Alam A., Ahamad M.K. K-Means Hybridization with Enhanced Firefly Algorithm for High-Dimension Automatic Clustering // Journal of Advanced Research in Applied Sciences and Engineering Technology. 2023. V. 33. № 3. P. 137–153.
  8. Reynolds D. Gaussian Mixture Models // Encyclopedia of Biometrics. Boston, MA: Springer, 2009.
  9. Нестеров В.А., Судаков В.А., Сыпало К.И., Титов Ю.П. Матрица нечетких корреспонденций модели авиационных перевозок // Известия Российской академии наук. Теория и системы управления. 2022. Т. 6. № 6. С. 95–102.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».