Аннотация:

Байкальская природная территория (БПТ) – территория, прилегающая к озеру Байкал, являющемуся уникальным природным объектом и, в соответствии с конвенцией ЮНЕСКО, «Объектом всемирного природного наследия». Байкал находится на центральной части Байкальской рифтовой зоны (БРЗ) – самой активной сейсмической зоной, расположенной в середине России. Развитие БРЗ приводит к возникновению опасных геологических процессов, которые могут привести к нарушению экологического равновесия в системе озера Байкал и окружающей территории. Кроме того, эти процессы и явления представляют реальную угрозу для бесперебойного функционирования магистральных коммуникаций, ГЭС и стратегически важных производств в регионе, относящуюся по классификации МЧС России к первой категории опасности. Для обеспечения постоянного мониторинга и прогнозирования экологической обстановки БПТ организованы систематические наблюдения, а также получение и анализ информации об активности опасных геологических процессов в цифровом виде. Цифровая трансформация мониторинга опасных геологических процессов, вытекающая из цифровизации процессов и развития соответствующей инфраструктуры, обеспечивает возможность использования новых моделей и методов, более гибких подходов к анализу протекающих процессов и предсказанию возможных экстремальных явлений. В настоящей работе предлагается цифровая платформа, обеспечивающая поддержку цифровой трансформации мониторинга опасных геологических процессов на примере БПТ. Созданная и развиваемая платформа может быть также использована для экологического мониторинга БПТ в целом.

Аннотация:

Выделены четыре категории целей изучения математики в школе: освоение теоретических положений на доказательном уровне; освоение алгоритмов решения математических задач, иллюстрирующих положения теории; использование изученных алгоритмов для решения прикладных и исследовательских задач; использование математических методов и алгоритмов при обучении программированию. Такое выделение позволяет обосновать и конкретизировать применение цифровых технологий в курсе математики, а также обеспечить их преемственность, в том числе, с последующими курсами высшей школы. Подчеркнута значимость применения мобильных и облачных технологий и приложений в самостоятельной (домашней) работе учащихся по математике.

Аннотация:

Робастность модели к незначительным отклонениям в распределении исходных данных является важным критерием во многих задачах. Нейронные сети могут показывать высокую точность (accuracy) на обучающей выборке, но при этом качество на тестовой выборке может сильно падать из-за разного распределения данных, причем ситуация только усугубляется на уровне подгрупп внутри каждой категории.

В данной статье мы показываем, как робастность модели на уровне подгрупп может быть значительно улучшена с помощью подхода, основанного на доменной адаптации векторных представлений. Мы обнаружили, что применение состязательного подхода к ограничению векторных представлений дает существенный прирост метрики точности (accuracy) в сложной подгруппе по сравнению с предыдущими моделями. Метод протестирован на двух независимых наборах данных, точность в сложной подгруппе на наборе данных Waterbirds составляет 90.3 {y : waterbirds;a : landbackground}, а на наборе данных CelebA – 92.22 {y : blondhair;a : male}.

Аннотация:

Статья посвящена рассмотрению подходов к анализу тональности текстов по отношению к заданному объекту, а также его характеристикам (аспектам). Для решения задачи анализа тональности по отношению к характеристикам сущности необходимо решать также задачи извлечения аспектов для сущности, категоризацию или кластеризацию аспектов по аспектным категориям, определение тональности текста по отношению к заданному аспекту или аспектной категории. Также в статье описывается задание по анализу тональности отзывов пользователей в рамках открытого тестирования систем анализа тональности SentiRuEval.

Аннотация: На основе проведенного ранее анализа российских математических электронных ресурсов, а так же опыта зарубежных математических информационных систем описан проект создаваемой математической информационной системы Math-Net.RU. Базовой платформой системы Math-Net.RU является универсальная информационная система ИСИР.
Проект описан в терминах перечня требований и условий, которым должна удовлетворять создаваемая система. Рассмотрены и проанализированы альтернативные варианты реализации различных компонент системы, а также пути решения возникающих при этом проблем. Очерчены категории хранимой информации, целевой круг пользователей системы и требуемая функциональность. Описана общая архитектура, схема данных, пользовательские интерфейсы, а также способы наполнения системы информацией, актуализации и синхронизации данных из других информационных систем и баз данных. Рассмотрены проблемы представления математических текстов и формул в информационных системах, дан сравнительный анализ существующих форматов хранения. Очерчены так же перспективы участия системы Math-Net.RU в создаваемой Всемирной математической информационной системе Math-Net, а также требования к системе-участнику.

Аннотация:

В соответствии с требованием Высшей аттестационной комиссии (ВАК) метаданные выпусков журналов из Перечня рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук (Перечень ВАК) уже более 20 лет регулярно размещаются в Российском индексе научного цитирования (РИНЦ) в библиографической базе eLibrary.ru. С марта 2023 г. редакции журналов из Перечня ВАК по рекомендации ВАК начали размещать сведения о выпусках журналов за 2022 г. в базу данных «Российские научные журналы (РНЖ)», созданной Российским научно-исследовательским институтом экономики, политики и права в научно-технической сфере. В апреле 2025 г. приказом Минобрнауки РФ было добавлено новое требование — для журналов из Перечня ВАК наряду с регистрацией в РИНЦ eLibrary.ru требуется регистрация в информационной системе (ИС) «Метафора», разработанной Российским центром научной информации (РЦНИ). Журналам из Перечня ВАК рекомендовано регулярно передавать в ИС «Метафора» метаданные вышедших выпусков журналов через специально организованные интерфейсы. Какую роль выполняют базы РНЖ и ИС «Метафора» в инфраструктуре научных публикаций?

РЦНИ, помимо развития ИС «Метафора», по поручению Правительства РФ выполняет функцию оператора «Белого списка» (БС) научных изданий. «Белый список» в 2023 г. сформировала Межведомственная рабочая группа (МРГ) Минобрнауки РФ. «Белый список» предлагается использовать для мониторинга и оценки публикационной активности российских ученых. В БС изначально было включено около 29 тыс. англоязычных международных журналов и около 1000 русскоязычных журналов из базы Russian Science Citation Index (RSCI). В сентябре 2025 г. русскоязычная часть БС значительно расширилась за счет включения в него журналов из Перечня ВАК. Хотелось бы получить от идеологов БС развернутую информацию о том, как будут корреспондироваться уровни журналов «Белого списка» (У1, У2, У3, У4) и категории журналов Перечня ВАК (К1, К2, К3)?

Аннотация:

Рассмотрен цикл построения графа знаний и расширения онтологии для специальной предметной области, описывающей процесс управления потоками данных в службах информационной поддержки. Предложена методика формирования корпуса данных для наполнения онтологии с автоматической псевдоразметкой, включающей специальные категории для фиксации ранее не представленных классов и отношений. Обучена специализированная модель извлечения именованных сущностей на корпусе данных объемом 3 млн токенов с 92 метками. Результаты были использованы для интеграции извлеченных фактов, что увеличило граф знаний до 0.98 млн триплетов, при этом коэффициент расширения графа (отношение общего числа фактов к явным триплетам) увеличился с 2.65 до 3.52 при сохранении логической согласованности. Наборы токенов с одинаковыми метками были преобразованы в устойчивые семантические множества, что позволило полуавтоматически расширить онтологию. В онтологию добавлены 12 новых классов, которые были извлечены из неструктурированных текстовых данных. Показан прикладной пример запросов и дальнейшей аналитики.