2025 №3(68)

Содержание

1. Алеева В. Н., Сапожников А. С. Эффективная реализация алгоритмов обучения нейронных сетей с помощью Q-детерминанта.

2. Рахмани Д., Байбара Б. В., Тетов С. Г. Уязвимости больших языковых моделей: анализ и методы защиты.

3. Малышкин В. Э., Перепелкин В. А., Нуштаев Ю.Ю. Уменьшение накладных расходов на вызов модулей в автоматически конструируемых программах на основе концепции активных знаний.

4. Бобохонов А., Хурамов Л., Рашидов А. Выявление кожных заболеваний по изображениям с использованием методов машинного обучения и глубокого обучения.

5. Юртин A. А. Метод прогнозирования ошибки времени обучения нейросетевых моделей восстановления многомерных временных рядов.

В. Н. Алеева, А. С. Сапожников

Южно-Уральский государственный университет (НИУ) 454080, Челябинск, Россия

ЭФФЕКТИВНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ С ПОМОЩЬЮ КОНЦЕПЦИИ Q-ДЕТЕРМИНАНТА

УДК 004.021, 004.032.24, 004.051, 004.272

DOI: 10.24412/2073-0667-2025-3-5-16
В статье впервые рассматривается эффективная реализация с помощью концепции Q-детерминанта алгоритмов обучения нейронных сетей. Для эффективной реализации алгоритмов применяется метод проектирования Q-эффективных программ, использующих ресурс параллелизма реализуемых ими алгоритмов полностью. Применение метода показано на примере алгоритмов, выполняющих часто используемые методы стохастического градиентного спуска и обратного распространения ошибки. Для этих алгоритмов разработаны Q-эффективные программы для общей и распределенной памяти параллельных вычислительных систем. С помощью вычислительных экспериментов выполнена оценка ускорения и эффективности разработанных программ. Вычислительные эксперименты проводились на суперкомпьютере «Торнадо» Южно-Уральского государственного университета.
Ключевые слова: обучение нейронных сетей, метод стохастического градиентного спуска, метод обратного распространения ошибки, Q-детерминант алгоритма, Q-эффективная реализация алгоритма, Q-эффективная программа.

Библиографическая ссылка: В. Н. Алеева, А. С. Сапожников ЭФФЕКТИВНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ОБУЧЕНИЯ НЕЙРОННЫХ СЕТЕЙ С ПОМОЩЬЮ КОНЦЕПЦИИ Q- ДЕТЕРМИНАНТА //"Проблемы информатики", 2025, № 3, с.5-16.  DOI: 10.24412/2073-0667-2025-3-5-16. – EDN:XGOUCS

Д. Рахмани, Б. В. Байбара, С. Г. Тетов

Московский Технический Университет Связи и Информатики, 111024, Москва, Россия

УЯЗВИМОСТИ БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ: АНАЛИЗ И МЕТОДЫ ЗАЩИТЫ

УДК 004.89:004.056

DOI: 10.24412/2073-0667-2025-3-17-33
В статье рассматриваются ключевые уязвимости, связанные с использованием больших языковых моделей (LLM) в корпоративной среде. В последние годы LLM находят широкое применение в различных сферах, включая клиентскую поддержку, маркетинг, анализ данных и автоматизацию бизнес-процессов. Однако их интеграция сопровождается значительными рисками для информационной безопасности, включая утечки конфиденциальных данных, компрометацию систем и генерацию вредоносного контента.
В работе анализируются три наиболее критические уязвимости: промпт-инъекции, атаки на цепочку поставок и отравление данных. Для каждой из них приведены формальные модели, примеры эксплуатации и возможные стратегии защиты. Особое внимание уделяется методам предотвращения атак, включая валидацию пользовательского ввода, контроль зависимостей и мониторинг аномалий в поведении модели.
Исследование показывает, что, несмотря на активное развитие механизмов защиты, уязвимости в LLM остаются серьезной угрозой, требующей дальнейшего изучения и разработки новых методов противодействия.
Ключевые слова: LLM, искусственный интеллект, промпт-инъекция, атака на цепочку поставок, отравление данных.

Библиографическая ссылка: Рахмани Д., Байбара Б. В.. Тетов С. Г. Уязвимости больших языковых моделей: анализ и методы защиты //"Проблемы информатики", 2025, № 3, с.17-33 DOI: 10.24412/2073-0667-2025-3-17-33.

В. Э. Малышкин, В. А. Перепелкин, Ю.Ю. Нуштаев*,**, ***

*Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
**Новосибирский национальный исследовательский государственный университет, 630090, Новосибирск, Россия
***Новосибирский государственный технический университет, 630073, Новосибирск, Россия

УМЕНЬШЕНИЕ НАКЛАДНЫХ РАСХОДОВ НА ВЫЗОВ МОДУЛЕЙ В АВТОМАТИЧЕСКИ КОНСТРУИРУЕМЫХ ПРОГРАММАХ НА ОСНОВЕ КОНЦЕПЦИИ АКТИВНЫХ ЗНАНИЙ

УДК 004.4'242

DOI: 10.24412/2073-0667-2025-3-34-52
Одной из проблем, возникающих при автоматическом конструировании параллельных программ, является проблема уменьшения «межмодульного трения» — накладных расходов на взаимодействие структурных элементов конструируемой программы (вызов подпрограмм, передачу аргументов, создание необходимого исполнительного окружения и т. п.). Эти накладные расходы в конструируемой программе существенно влияют на ее эффективность (время выполнения, расход памяти, нагрузка на сеть и т. п.). Возможности системы автоматического конструирования программ во многом зависят от модели вычислений, лежащей в основе ее входного языка. В статье этот вопрос рассматривается с позиций концепции активных знаний — методологии автоматизации конструирования программ в конкретных предметных областях. В частности, на примере задачи обработки сейсмических данных показывается, как на основе концепции активных знаний могут быть уменьшены накладные расходы на вызов модулей и автоматически реализованы такие техники оптимизации конструируемой программы как «монолитизация» — объединение нескольких структурных элементов программы в один с соответствующим снижением накладных расходов — за счет наличия формального описания свойств структурных элементов программы и машинно-ориентированного описания особенностей предметной области в виде базы активных знаний.
Ключевые слова: параллельное программирование, активные знания, системы автоматического конструирования программ, вычислительные модели, сейсмические сигналы.

Библиографическая ссылка: Малышкип В. Э., Перепелкин В. А., Нуштаев Ю.Ю. Уменьшение накладных расходов па вызов модулей в автоматически конструируемых программах на основе концепции активных знаний //"Проблемы информатики", 2025, № 3, с.34-52 DOI: 10.24412/2073-0667-2025-3-34-52

А. Бобохонов, Л. Хурамов, А. Рашидов

Самаркандский государственный университет им. Ш. Рашидова Самарканд, Узбекистан

ВЫЯВЛЕНИЕ КОЖНЫХ ЗАБОЛЕВАНИЙ ПО ИЗОБРАЖЕНИЯМ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И ГЛУБОКОГО ОБУЧЕНИЯ

УДК 004.9

DOI: 10.24412/2073-0667-2025-3-53-71

В настоящее время одним из важнейших методов, требующих изучения, является классификация кожных заболеваний на основе автоматизированных систем, работающих с медицинскими изображениями, полученными с поверхности пораженной кожи. Кожные заболевания представляют собой глобальную проблему здравоохранения: их распространённость ежегодно увеличивается, создавая серьезную угрозу жизни и здоровью миллионов людей. Ранняя диагностика играет ключевую роль в предотвращении прогрессирования болезни и ее осложнений. Сегодня ведется большое количество исследований, направленных на выявление кожных заболеваний на начальных стадиях, и предлагаются различные решения. Одним из наиболее перспективных подходов, предложенных учёными, является использование интеллектуальных систем для классификации заболеваний по медицинским изображениям. В данной работе были проанализированы методы, модели и алгоритмы автоматической классификации кожных заболеваний на основе машинного обучения (ML) и глубокого обучения (DL). Также были изучены методы предварительной обработки медицинских изображений, позволяющие повысить точность и скорость работы моделей. В ходе анализа сопоставлены результаты предыдущих исследований и оценена точность предложенных в них моделей, а также подготовлены сравнительные таблицы для использования в будущих научных работах. Цель исследования — восполнить существующий пробел в области применения ML и DL для классификации кожных заболеваний. Полученные выводы помогут исследователям разрабатывать более эффективные решения, выявлять текущие проблемы и учитывать новейшие достижения в данной сфере.
Ключевые слова: кожные заболевания, медицинские изображения, предварительная обработка изображений, сегментация, классификация, машинное обучение, глубокое обучение.

Библиографическая ссылка: Бобохонов А., Хурамов Л., Рашидов А. Выявление кожных заболеваний по изображениям с использованием методов машинного обучения и глубокого обучения //"Проблемы информатики", 2025, № 3, с.53-71 DOI: 10.24412/2073-0667-2025-3-53-71.

A. А. Юртин

Южно-Уральский государственный университет (НИУ) 454080, Челябинск, Россия

МЕТОД ПРОГНОЗИРОВАНИЯ ОШИБКИ ВРЕМЕНИ ОБУЧЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ВОССТАНОВЛЕНИЯ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ

УДК 04.032.26, 004.048

DOI: 10.24412/2073-0667-2025-3-72-95

В статье представлен нейросетевой метод tsGAP2, предназначенный для прогнозирования ошибки и времени обучения нейросетевых моделей восстановления пропущенных значений в многомерных временных рядах. Входными данными метода является нейросетевая модель, представленная в виде ориентированного ациклического графа, в которой узлы соответствуют слоям, а дуги — связи между ними. Метод предполагает использование трех компонентов: Автоэнкодера, который преобразует графовое представление модели в компактное векторное, Энкодера, кодирующего гиперпараметры и характеристики вычислительного устройства, и Агрегатора, объединяющего векторные представления и формирующего прогноз. Обучение нейросетевой модели tsGAP2 осуществляется с использованием составной ошибки, представляющей собой взвешенную сумму нескольких компонент. Каждая компонента оценивает различные аспекты выхода модели tsGAP2, включая корректность декодированной из векторного представления нейросетевой модели, прогноз ошибки и времени ее обучения. Для исследования было сформировано пространство поиска, включающее 200 различных архитектур. Во время экспериментов было выполнено 12 000 запусков обучения на временных рядах из различных предметных областей. Результаты экспериментов показывают, что предложенный метод обеспечивает высокую точность прогнозирования ошибки целевой модели: средняя ошибка по мере SMAPE составляет 4.4 %, что значительно превосходит существующие альтернативные подходы, демонстрирующие ошибку в среднем на уровне 27.6 %. Средняя ошибка прогноза времени составила 8.8 %, что значительно превосходит существующие альтернативные подходы, демонстрирующие ошибку, равную 61.6 %.
Ключевые сֿлова: временные ряды, восстановление пропущенных значений, нейросетевые модели, автоэнкодер, графовые нейронные сети, механизм внимания, время обучения, ошибка, поиск архитектуры нейросетей.

Библиографическая ссылка: Юртин А. А. Метод прогнозирования ошибки времени обучения нейросетевых моделей восстановления многомерных временных рядов //"Проблемы информатики", 2025, № 3, с.72-95 DOI: 10.24412/2073-0667-2025-3-72-95.