В статье представлены результаты по построению модели психического состояния обучаемого по истории его работы в следящей интеллектуальной обучающей системе. Данная модель может задействоваться алгоритмом управления учебным процессом во время решения задач обучаемым. Для построения модели использовались известные методы машинного обучения. Полученные результаты могут быть полезными не только для моделирования обучаемых, но и для моделирования пользователей любого программного обеспечения, в котором логируются действия пользователя.
Смирнова Н. В. Опыт построения модели психического состояния обучаемых по истории их работы в следящей интеллектуальной обучающей системе / Управление большими системами. Выпуск 49. М.: ИПУ РАН, 2014. С.96-128.

В статье представлены результаты по построению модели психического состояния обучаемого и степени рациональности его познавательной деятельности по истории его работы в обучающей системе.
Смирнова Н.В. Автоматизированный анализ психического состояния студентов по истории их работы в интеллектуальной обучающей системе / Сборник докладов Международной интернет-конференции «Информационно-технологическое обеспечение образовательного процесса современного университета». Минск: БГУ, 2014. СЕКЦИЯ 6.Другие вопросы информационно-технологического обеспечения образовательного процесса. С. 414-420

Теоретическое обоснование, разработка и развитие методов и моделей систем с сервис-ориентированной архитектурой для решения задачи многокритериального выбора композиций веб-сервисов с учётом предпочтений лица, принимающего решения.
ИПУ РАН

This paper describes the student's model motivation and willpower component and one of its possible applications. This component tracks student's psychological state and degree of rationality of student's actions during task solving process
Современные технологии, материалы,оборудование и ускоренное восстановление квалифицированного кадрового потенциала - ключевые звенья в возрождении отечественного авиа- и ракетостроения: Сборник докладов международной научно-практической конференции. Т.IV. Казань, 14-16 августа 2012 года. - Казань: Изд-во "Вертолет", 2012.- 608 c. 507-513 с.

В докладе описывается метод измерения мотивационно-волевого компонента модели обучаемого, характеризующего изменяющееся психическое состояние студента во время решения задач. Модель обучаемого, включающая данный компонент, может быть использована для выявления плохо проработанных мест учебного курса, для анализа качественного состава студентов, обучающихся по конкретному предмету, для интеллектуального управления учебным процессом в обучающей системе и т.д. Задача параметрической идентификации МВК рассматривается как задача частичного обучения, в которой необходимо подобрать коэффициенты логистической функции.
ISBN 978-985-518-766-1

Обсуждены идеи сокращения вычислительной сложности обучения и построения классификаторов древовидного типа с использованием усиления – подхода, позволяющего снизить ошибку алгоритма обучения, комбинируя классификаторы, вероятность ошибки которых хотя бы немного меньше 1/2. Наиболее распространенной версией алгоритма усиления является AdaBoost.
Известия вузов. Радиоэлектроника, 2010 г., вып 4, стр. 32-39.

Last years witnessed the growth of demand for road monitoring systems based on image or video analysis. These systems usually consist of a survey vehicle equipped with photo and video cameras, laser scanners and other instruments. Sensors mounted on the van collect different types of data while the vehicle goes along the road. Recorded video can be geographically referenced with the help of global positioning systems. Road monitoring systems require special software for data processing. This paper addresses the problem of video analysis automation, and particularly the pavement monitoring functionality of such mobile laboratories. We show that computer vision methods applied to this problem help to reduce amount of manual labour during data analysis. Our method transforms video collected by mobile laboratory into rectified geo-referenced images of road pavement surface, and allows mapping of lane marking and road pavement defects with minimum user interaction. In our work the mapping workflow consists of two stages: off-line and online stage. In order to reduce user effort during error correction we take advantage of hierarchical image segmentation, which helps to delete false detections or mark missing objects with just a few clicks. Through continuous training of detection algorithm with the help of operator input error rate of automatic detection decreases; thus minimal input is required for accurate mapping. Experiments on real-world road data show effectiveness of our approach.

Системы семантической сегментации изображений применяются в различных областях. Часто в основе таких систем лежат методы машинного обучения, поэтому для настройки системы обычно требуется разметить большую базу изображений, что представляет собой довольно трудоёмкий процесс. Мы поставили перед собой цель облегчить его, сделав процесс обучения интерактивным. В данной работе предлагается использовать при разметке базы изображений классификатор, обученный на уже размеченной части данных, таким образом, вместо полной разметки изображения пользователю необходимо лишь исправить ошибки классификации. В качестве алгоритма онлайн обучения предлагается использовать разработанный ранее алгоритм On-line Costing.

В данной работе рассматривается задача онлайнового обучения с учетом разных штрафов за ошибки на разных классах. Алгоритм онлайн-бэггинг часто применяется в областях, требующих обрабатывать поступающие данные "на лету". Доказано, что классификатор, полученный с помощью онлайн-бэггинга, асимптотически сходится к классификатору, полученному с помощью стандартного бэггинга, если они обучаются на одинаково распределённых данных. Тем не менее, классический алгоритм предполагает равноценность ошибок на разных классах, что недопустимо, например, при несбалансированном распределении классов. В статье предложен подход, позволяющий устанавливать произвольные штрафы за ошибки на разных классах.