System Architecture of the Automated AI-driven Predictive Assessment for Environmental Monitoring in Industrial Areas

В статье методами машинного обучения проранжированы по их значимости факторы крупномасштабной вооруженной и невооруженной дестабилизации в странах Азии и Африки. Показано, что страны Африки в большей мере уязвимы к вооружённой дестабилизации (вплоть до полномасштабных гражданских войн), а страны Азии – к массовой невооружённой (антиправительственные демонстрации, массовые беспорядки, политические забастовки и т. п.). Ключевыми факторами вооружённой ...

Добавлено: 21 июня 2026 г.

Artificial intelligence and digital twins for failure prediction in data center cooling systems: a comprehensive literature review (2018–2026)

Butorova A., Bobakov V., Sergeev A. и др., European Physical Journal: Special Topics 2026 P. 1–19

Добавлено: 10 июня 2026 г.

Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Seul: PMLR, 2026.

Добавлено: 4 июня 2026 г.

Towards the Ranking of the Importance of Revolutionary Destabilization Factors in Asian and African Countries Using Machine Learning Methods

Черноморченко И. Ю., Ilya Medvedev, Коротаев А. В., Cross-Cultural Research 2026 P. 1–49

This study investigates which structural factors most strongly predict armed and unarmed revolutionary destabilization across Sub-Saharan Africa (SSA), the Middle East and North Africa (MENA), as well as Asia using country–year data for 1950–2022 and a set of economic, demographic, political, and climatic indicators. It employs an interpretable machine learning framework (CatBoost with SHAP values ...

Добавлено: 1 июня 2026 г.

От неизвестности к прозрачности: обзор технологий объяснимого ИИ (XAI)

Авдошин С. М., Песоцкая Е. Ю., Информационные технологии 2026 Т. 32 № 4 С. 185–194

С развитием ИИ, и в особенности глубокого обучения, появились модели, способные давать крайне точные прогнозы. Однако их внутренняя логика остается трудной для понимания — и это серьезная проблема, особенно в сферах, где от корректности алгоритма зависят критиче ски важные решения. Одним из перспективных путей ее решения считается направление Explainable Artificial Intelligence (XAI) — разработка подходов, позволяющих прояснять ...

Добавлено: 8 мая 2026 г.

Explainable AI for Industry 5.0: Shedding light on the black box

Авдошин С. М., Песоцкая Е. Ю., Business Informatics 2026 Vol. 20 No. 1 P. 7–28

Добавлено: 8 мая 2026 г.

Разработка микросервиса ADP для идентификации источников выбросов на основе машинного обучения с подкреплением

Кычкин А. В., Черницин И. А., Прикладная информатика 2026 № 1(121) С. 40–58

Представлены результаты разработки программного микросервиса, встраиваемого в системы мониторинга качества атмосферного воздуха для поддержки процессов идентификации промышленных источников загрязнений. Выброс и последующее распространение вредных веществ в приземистых слоях атмосферы происходит в динамике и характеризуется высокой неопределенностью из‑за особенностей технологических установок, их режимов работы, влияния рельефа местности, зданий и метеофакторов. Зависимости между местоположением источника выброса и ...

Добавлено: 23 апреля 2026 г.

Алгоритм анализа новостной информации для принятия экономических решений

Чудинова О. С., Первицкая Л. А., Раменская А. В., Индустриальная экономика 2026 № 1 С. 65–78

Статья посвящена разработке алгоритма анализа новостной информации методами машинного обучения, реализованными в библиотеках Python. Обоснование выбора инструментов, применяемых на каждом этапе алгоритма, осуществляется с помощью расчета метрик качества решения соответствующих задач машинного обучения. Результаты работы алгоритма представлены классификацией региональных новостей, собранных за период с августа 2024 года по июнь 2025 года, по отраслям экономики и ...

Добавлено: 20 апреля 2026 г.

Modeling cosolvent effects on solubility in supercritical CO2 using data-driven approaches

Makarov D. M., Каликин Н. Н., Gurikov P. и др., Journal of Supercritical Fluids 2026 Vol. 235 Article 106979

Добавлено: 19 апреля 2026 г.

Эффективность применения прогнозов волатильности в активных торговых стратегиях институциональных инвесторов на российском рынке акций

Лысенок Н. И., Фундаментальная и прикладная математика 2026 Т. 26 № 3 С. 33–42

Исследование посвящено оценке влияния прогнозов реализованной волатильности на результаты активных торговых стратегий на российском рынке акций. На выборке 17 ликвидных акций за 2014-2026 гг. построена гибридная прогнозная модель, объединяющая HAR-J и градиентный бустинг; её преимущество над базовой HAR-J подтверждено тестом Дибольда-Мариано (p < 0,001). Шесть направленных стратегий трёх категорий протестированы с тремя механизмами интеграции прогнозов и без них. ...

Добавлено: 17 апреля 2026 г.

Efficiency of Machine Learning Tasks on HPC Devices

Ефремов А. М., Тимофеев А. В., Ilyasov Y. и др., , in: ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ (ПаВТ’2025).: Издательский центр Южно-Уральского государственного университета, 2025. P. 56–81.

Добавлено: 4 апреля 2026 г.

Использование машинного обучения и классических статистических методов для построения скоринговой модели в автостраховании

Миронкина Ю. Н., Тимофеев Д. И., В кн.: Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: сборник статей. Выпуск 10. Материалы XIV Научно-практической конференции. Саратов, 20–22 ноября 2025 г.Вып. 10.: Саратов: Саратовский университет, 2025. С. 51–58.

В автостраховании актуальна проблема финансовых убытков, вызванных неверной классификацией клиентов с точки зрения возможной убыточности договора страхования с ними. Работа направлена на разработку скоринговой системы на основе методов машинного обучения и статистики, использующей данные портфеля крупной страховой компании (более 30000 наблюдений). Цель – выявление переменных, предсказывающих надёжность клиента, и сравнение различных методов: градиентного бустинга, случайного леса, логистической регрессии, нейросетей. Применялись ...

Добавлено: 31 марта 2026 г.

Artificial intelligence and tacit knowledge in radio content production

Trio O., Caboni F., Cavallo F. и др., Journal of Knowledge Management 2026 Vol. 30 No. 4 P. 1282–1302

Добавлено: 11 марта 2026 г.

Определение фолликулярного резерва яичников по данным ультразвукового исследования на основе методов машинного обучения

Мошкин А. С., Лапутин Ф. А., Сидоров И. В., DIGITAL DIAGNOSTICS 2024 Т. 5 № S1 С. 40–42

Обоснование. Овариальный резерв отражает способность женщины к успешной реализации репродуктивной функции. Оценка овариального резерва является актуальной задачей для клинической практики [1] и важна при проведении научных исследований. Использование методов компьютерной обработки диагностических изображений способно ускорить и облегчить выполнение рутинных задач в клинической практике. Их применение при ретроспективном анализе данных в научных целях позволяет повысить объективность ...

Добавлено: 21 февраля 2026 г.

The Fourteenth International Conference on Learning Representations (ICLR 2026)

ICLR, 2026.

Добавлено: 16 февраля 2026 г.

Как прогнозировать дефолты банков: эволюция методов, моделей и факторов риска

Щепелева М. А., Столбов М. И., Экономика и математические методы 2026 Т. 62 № 1 С. 63–77

Прогнозирование банковских дефолтов представляет собой важную задачу для всей экономики. Раннее выявление проблемных банков помогает предотвратить надвигающиеся банкротства либо минимизировать связанные с ними потери. В статье обсуждается современ ное состояние инструментальных методов и данных, используемых для этой цели. Последова тельно рассматриваются теоретические предпосылки, эволюция методологических подходов, применяемых для прогнозирования банковских дефолтов, особенности работы с данными, ...

Добавлено: 13 февраля 2026 г.