Разработка алгоритмов коррекции ошибок логически прозрачного искусственного интеллекта

Научной проблемой, решению которой посвящен проект, является создание алгоритмов коррекции ошибок и программного обеспечения, способного в реальном времени решать сложные прикладные задачи, связанные с анализом больших данных с использованием технологий объясняемого искусственного интеллекта. Для решения этой проблемы необходимо разработать математические методы нестационарного статистического анализа и новый класс вычислительных алгоритмов, ориентированных на использование архитектуры современных и перспективных суперкомпьютеров. В рамках проекта будут рассмотрены следующие задачи, имеющие важное теоретическое и прикладное значение. Будут разработаны новые методы статистического анализа нестационарных многомерных временных рядов, в виде которых формируются массивы больших данных. Обрабатываться будут нестационарные потоки биометрических данных, возникающих в задачах персонализированной биомедицины – электромиограммы и электроэнцефалограммы, пульсометрические данные, а также тексты на естественных языках. Будет разработан подход к описанию структуры таких данных посредством меняющейся во времени выборочной функции распределения, характерной для каждого квазистационарного состояния из конструируемой структуры. Концепция статистического распознавания основывается на том, что структура данных определяется набором эталонных распределений (паттернов), близость к которым в определенных нормах позволит классифицировать меняющуюся по времени или от фрагмента к фрагменту выборочную функцию распределения. Классификация фрагментов в базисе из эталонов, сформированных на стадии обучения, будет проводиться методом ближайших соседей. Новизна развиваемого подхода состоит в том, что изменение выборочной функции распределения, отвечающей потоковому характеру получения данных, описывается в рамках эмпирического кинетического уравнения эволюции, учитывающего как зависимость от текущего момента времени, так и от длины выборки. Наряду с применением стандартных методов кинетической теории, когда описание сложной динамической системы заменяется анализом эволюции плотности распределения ансамбля траекторий таких систем, наш подход включает также исследование эволюции выборочных распределений для различных объемов выборок. Поскольку длина выборки для временного ряда представляет собой фактически время, отсчитываемое назад от текущего момента, то исследуется двухвременной ансамбль траекторий. Этот подход позволяет более точно идентифицировать текущее состояние и оценивать вероятность изменения этого состояния на различных временных горизонтах планирования. В результате ошибка пропуска цели может быть существенно уменьшена, что является актуальной задачей особенно в биомедицине. Такая методика является новой, она разрабатывалась участниками проекта в течение последних пяти лет и была успешно апробирована на ряде актуальных прикладных задач. Для практической реализации этой методики требуется разработать численные алгоритмы, которые бы обходили трудность полного перебора. Создание таких алгоритмов является важной фундаментальной задачей. Для ее решения в проекте будет использован подход, основанный на усреднении случайных полугрупп, которые и определяют эволюцию выборочных распределений. Для целей построения соответствия между случайным процессом и подходящей динамической системой будет исследована возможность построения эквивалентной по Чернову полугруппы, отвечающей усреднению случайных полугрупп. Сходимость определенного итерационного процесса, возникающего при усреднении по Чернову, к полугруппе является аналогом центральной предельной теоремы в анализе нестационарных случайных процессов и дает математическое основание для построения численных алгоритмов, достигающих нужной точности за конечное время, необходимое для решения практических задач.