Пошук академічних текстів

Інформація × Реєстраційний номер 0525U000397, Докторська дисертація На здобуття Доктор технічних наук Дата захисту 18-09-2025 Статус Захищена Назва роботи Методологія багатовимірного аналізу мультимодальних даних Здобувач Бойко Наталія Іванівна, Кандидат економічних наук Опонент Приходько Сергій Борисович Опонент Комар Мирослав Петрович Опонент Голуб Сергій Васильович Опис Дисертаційна робота присвячена вирішенню актуальної науково-прикладної проблеми – створенню методології багатовимірного аналізу мультимодальних даних для побудови інформаційної технології автоматизованої обробки різнорідної інформації. Актуальність зумовлена стрімким зростанням обсягів та різнотиповості даних у критичних сферах, де інформаційні системи працюють із сигналами, зображеннями, текстами тощо. Основна складність – інтеграція, аналіз і інтерпретація даних із різною структурою та якістю. Наукова новизна дослідження полягає у розробленні методології для побудови інформаційної технології, яка поєднує методи багатовимірного аналізу, синхронізації та адаптивної обробки мультимодальних даних. Вперше запропоновано концепцію формування узгодженого багатовимірного ознакового простору, що дозволяє виокремлювати інформативні ознаки для кожної модальності, виконувати їх узгодження та об’єднання у спільну модель об’єкта. Запропоновано метод побудови ієрархічної моделі класифікації, яка інтегрує моделі окремих модальностей у функціональну систему підтримки прийняття рішень, а також сформульовано принципи багатовимірного аналізу, що враховують вимоги до точності, стійкості та адаптивності інформаційних систем. У межах розробленої методології запропоновано метод інтеграції даних, що передбачає поетапне та адаптивне об’єднання інформації з різних модальностей у єдиний вектор ознак. Подальше формування узагальненого масиву вхідних даних забезпечує перетворення окремих спостережень у цілісний набір для побудови моделі-класифікатора. Експерименти показали високу ефективність цього підходу: точність 96 %, macro avg і weighted avg F1 = 0,962. Це свідчить про збалансовану класифікацію навіть у складних багатокласових задачах, що робить метод перспективним для підвищення точності діагностики. Окремо розроблено метод побудови мультимодальної моделі, що передбачає створення окремих моделей для кожної модальності з подальшою інтеграцією результатів їх моделювання в єдину ієрархічну структуру. Такий підхід забезпечив 71,5 % точності, з відносно високими показниками для класів Healthy (F1 = 0,73) та Other (F1 = 0,76), але низькими для Ischemic (F1 = 0,31). Це вказує на потребу подальшої оптимізації ознакового простору. Для об’єктивної перевірки розроблено метод оцінювання ефективності аналізу мультимодальних даних за точністю, повнотою, F1-метрикою, часом обробки та стабільністю моделей. Результати показали перевагу інтеграції на рівні ознак (feature-level fusion) – точність 96%, F1 = 0,962 – над інтеграцією на рівні моделей (71,5 %, F1 для Ischemic = 0,31). Високі показники зумовлені формуванням узгодженого ознакового простору, що зменшує втрати інформації. Використання Apache Spark забезпечило прискорення обробки у 1,35–1,6 раза порівняно з Hadoop та скорочення часу більш ніж на 100 секунд. Достовірність наукових і практичних результатів підтверджується матеріалами впровадження дисертаційних досліджень, а також порівнянням отриманих показників із результатами, досягнутими при застосуванні традиційних методів і підходів для класифікації станів пацієнтів. Ключові слова: інформація, методологія, інформаційна технологія, мультимодальні дані, багатовимірний простір, інформаційна система, прогнозування, моделювання, класифікація, модель, метод, підхід, аналіз даних, дослідження, обробка інформації. Дата реєстрації 2025-09-09 Додано в НРАТ 2025-09-09 Закрити