?
Using Synthetic Networks for Parameter Tuning in Community Detection
P. 1–15.
Prokhorenkova Liudmila
Шалилех С., Social Network Analysis and Mining 2025 Vol. 15212 P. 137–148
Добавлено: 30 ноября 2024 г.
Попов В. А., Чеповский А. А., , in: Complex Networks & Their Applications XIII, Proceedings of The Thirteenth International Conference on Complex Networks and Their Applications: COMPLEX NETWORKS 2024 - Volume 3.: Springer, 2025. P. 83–90.
Добавлено: 20 сентября 2024 г.
Шалилех С., Миркин Б. Г., , in: Complex Networks & Their Applications XII: Proceedings of The Twelfth International Conference on Complex Networks and their Applications: COMPLEX NETWORKS 2023, Volume 2.: Springer, 2024. Ch. 15 P. 185–196.
Добавлено: 5 марта 2024 г.
Alina V. Vladimirova, , in: Alternative Paths to Influence: Soft Power and International Politics.: Oxon: Routledge, 2023. Ch. 9 P. 556–571.
Добавлено: 14 февраля 2024 г.
Alina V. Vladimirova, Journal of political power 2022 Vol. 15 No. 3 P. 556–571
Добавлено: 14 февраля 2024 г.
Пантюхин Д. В., Информатика и образование 2023 Т. 38 № 1 С. 55–63
Проблема уязвимости нейронных сетей уже несколько лет является предметом научных исследований и экспериментов. Состязательные атаки — один из способов «обмануть» нейросеть, заставить ее принимать ошибочные классификационные решения. Сама возможность состязательной атаки кроется в особенностях машинного обучения нейросетей. В статье показано, как свойства нейронных сетей становятся источником проблем и ограничений в их использовании. Материалы соответствующих исследований ...
Добавлено: 14 апреля 2023 г.
Чеповский А. А., , in: The 6th International Conference on Complex Networks and Their Applications. Nov. 29 - Dec. 01, 2017, Lyon (France), Book of abstracts. ISBN 978-2-9557050-2-5.: Springer, 2017. P. 336–340.
Добавлено: 22 марта 2023 г.
Чеповский А. А., Вопросы кибербезопасности 2023 № 1(53) С. 75–81
Цель исследования: поиск методики для построения и анализа графа взаимодействующих объектов в сети
Telegram-каналов, включая подсчет психолингвистических характеристик текстов. Такая методика позволяет проводить классификацию групп каналов и оценивать их информационное воздействие на пользователей.
Метод исследования: для построения взвешенного графа в процессе импорта данных применяется (U, M ,R) - модель. Далее на полученном графе применяется метод Галактик для выделения ...
Добавлено: 6 марта 2023 г.
Чеповский А. А., М.: Национальный открытый университет «ИНТУИТ», 2022.
В монографии рассмотрены различные математические модели для решения задач анализа сетей взаимодействующих объектов систем телекоммуникаций. Предназначена для разработчиков информационных систем, специалистов в области анализа данных. ...
Добавлено: 18 ноября 2022 г.
Попов В. А., Чеповский А. А., Труды Института системного анализа Российской академии наук 2022 Т. 72 № 4 С. 39–50
В работе представлен «метод Галактик» для выделения неявных сообществ на графе взаимодействующих объектов, полученном при импорте сети каналов из мессенджера Telegram. Данный метод основан на последовательном выделении пересекающихся сообществ на исходном взвешенном графе, дальнейшем построении нового графа, в котором вершинами являются выделенные на первом шаге сообщества, называемые авторами «метавершинами». Взвешенные ребра нового графа между «метавершинами» ...
Добавлено: 30 октября 2022 г.
Попов В. А., Чеповский А. А., Вестник Новосибирского государственного университета. Серия: Информационные технологии 2022 Т. 20 № 2 С. 60–71
В данной работе описан алгоритм импорта данных из мессенджера Telegram и построения взвешенных графов взаимодействующих объектов. Для импорта данных за основу берутся заданные Telegram-каналы. Далее итерационно выявляются каналы, имевшие любое из зафиксированных трех взаимодействий с предыдущими: общие внешние ссылки, упоминания друг друга, репосты. Далее алгоритм ориентируется на заданную конфигурацию и по ней вычисляет веса на ...
Добавлено: 2 сентября 2022 г.
Макаров И. А., Oborevich A., , in: Proceedings of IEEE 21st International Symposium on Computational Intelligence and Informatics (CINTI'21), 18-20 Nov. 2021.: NY: IEEE, 2021. P. 000127–000130.
Graph visualization is an effective and efficient way to discover complex inter-connections between elements within the nested structure of data. To accomplish this type of representation machine learning algorithms use a technique called graph embedding and node embedding in particular. However, in this paper, we will compare well-known techniques to yet largely under-explored setting of ...
Добавлено: 19 января 2022 г.
Попов В. А., Чеповский А. А., Вестник Новосибирского государственного университета. Серия: Информационные технологии 2021 Т. 19 № 2 С. 76–91
Описываются алгоритм импорта данных из социальной сети Twitter и построение взвешенных социальных графов. Для импорта данных за основу берутся заданные посты, скачиваются пользователи, имевшие с ними какое-либо из зафиксированных взаимодействий. Далее алгоритм ориентируется на заданную конфигурацию и по ней вычисляет веса на ребрах полученного графа. Конфигурация учитывает тип взаимодействия пользо-вателей между собой. Авторы вводят понятие ...
Добавлено: 25 июля 2021 г.
Today, increased attention is drawn towards network representation learning, a technique that maps nodes of a network into vectors of a low-dimensional embedding space. A network embedding constructed this way aims to preserve nodes similarity and other specific network properties. Embedding vectors can later be used for downstream machine learning problems, such as node classification, ...
Добавлено: 31 марта 2021 г.
Чеповский А. А., Leshchev D. A., Khaykova S.P., , in: Complex Networks & Their Applications IX. Volume 1: Proceedings of the Ninth International Conference on Complex Networks and Their Applications COMPLEX NETWORKS 2020.: Springer, 2021. P. 38–50.
Добавлено: 6 января 2021 г.
Association for Computing Machinery (ACM), 2020.
Добавлено: 31 октября 2020 г.
Springer, 2021.
Добавлено: 31 октября 2020 г.
Cham: Springer, 2020.
Добавлено: 31 октября 2020 г.