М. В. Наливайчук
М. В. Наливайчук has a total of 18 co-authors. Here are the top co-authors by number of shared publications:
- Kateryna Potapova
Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського
6 shared publications - Liliya Vovk
National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute
2 shared publications - Vasyl Meliukh
National Technical University of Ukraine“Igor Sikorsky Kyiv Polytechnic Institute
2 shared publications - Станіслав Гуриненко
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Ukraine
2 shared publications Alexandre Scherbyna
1 shared publication- Andrii Dychka
National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute
1 shared publication
Latest Publications
- Open Access
- 30 December 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 56-64
ЗАСОБИ АДАПТИВНОГО ШУМОПОГЛИНЕННЯ АУДІОСИГНАЛІВ НА БАЗІ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
З поширенням у сучасному світі голосових технологій, систем розпізнавання мовлення та телекомунікаційних сервісів, все частіше постає питання про якісну обробку аудіосигналів у цифровому форматі. Потреби користувачів у чистому звуці зростають швидше, ніж розвиваються апаратні технології запису та передачі аудіо, тому все частіше постає питання програмної оптимізації процесів шумопоглинення. Крім базових методів фільтрації та адаптивної обробки сигналів, важливу роль відіграють механізми адаптивного шумопоглинення на основі глибокого навчання. Шумопоглинення має на увазі під собою видалення небажаних шумових компонент з аудіосигналу за рахунок використання того факту, що мовлення та шум мають різні статистичні характеристики у частотно-часовій області та підпорядковуються різним законам розподілу енергії по частотному спектру. Більшість аудіоданих, що передаються по мережі – голосові повідомлення, відеоконференції, подкасти, музичні файли та потокове мовлення. Для якісної обробки цих файлів та їх компактного зберігання потрібні ефективні алгоритми шумопоглинення, які здатні швидко та якісно очищувати аудіосигнали від різних типів шуму: стаціонарного (білий шум, рожевий шум), нестаціонарного (шум натовпу, вуличний шум) та періодичного (гул вентилятора, електромережі). Проблемою при шумопоглиненні за допомогою методів глибокого навчання є обчислювальна складність нейронних мереж, яка обмежує їх застосування в режимі реального часу, особливо на мобільних пристроях з обмеженими обчислювальними ресурсами. З іншого боку, класичні методи обробки сигналів, такі як спектральне віднімання або фільтрація Вінера, працюють швидко та не потребують апаратного прискорення, але часто призводять до появи артефактів «музичного шуму» – випадкових тональних компонент, що виникають через нестаціонарність реального шуму та помилки в оцінці його статистичних характеристик. Проблемою при розробці систем шумопоглинення є знаходження оптимального балансу між якістю очищення сигналу, швидкістю обробки та обчислювальними вимогами. Існуючі рішення зазвичай орієнтуються на один з цих параметрів, жертвуючи іншими. Тому актуальною є розробка гібридних підходів, що поєднують переваги класичних та сучасних методів. У цій роботі розглянемо особливості шумопоглинення аудіосигналів, проведемо детальний аналіз класичних методів (фільтр Вінера, спектральне віднімання, адаптивна фільтрація) та сучасних підходів на основі глибокого навчання (DNN, SEGAN, WaveNet, U-Net), дослідимо їх переваги та недоліки, та реалізуємо інноваційну двоетапну модель, що дозволяє підвищити ефективність шумопоглиення при збереженні прийнятної швидкості обробки для застосувань, близьких до реального часу.
- 30 December 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 56-64
Open AccessЗАСОБИ АДАПТИВНОГО ШУМОПОГЛИНЕННЯ АУДІОСИГНАЛІВ НА БАЗІ ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ
З поширенням у сучасному світі голосових технологій, систем розпізнавання мовлення та телекомунікаційних сервісів, все частіше постає питання про якісну обробку аудіосигналів у цифровому форматі. Потреби користувачів у чистому звуці зростають швидше, ніж розвиваються апаратні технології запису та передачі аудіо, тому все частіше постає питання програмної оптимізації процесів шумопоглинення. Крім базових методів фільтрації та адаптивної обробки сигналів, важливу роль відіграють механізми адаптивного шумопоглинення на основі глибокого навчання. Шумопоглинення має на увазі під собою видалення небажаних шумових компонент з аудіосигналу за рахунок використання того факту, що мовлення та шум мають різні статистичні характеристики у частотно-часовій області та підпорядковуються різним законам розподілу енергії по частотному спектру. Більшість аудіоданих, що передаються по мережі – голосові повідомлення, відеоконференції, подкасти, музичні файли та потокове мовлення. Для якісної обробки цих файлів та їх компактного зберігання потрібні ефективні алгоритми шумопоглинення, які здатні швидко та якісно очищувати аудіосигнали від різних типів шуму: стаціонарного (білий шум, рожевий шум), нестаціонарного (шум натовпу, вуличний шум) та періодичного (гул вентилятора, електромережі). Проблемою при шумопоглиненні за допомогою методів глибокого навчання є обчислювальна складність нейронних мереж, яка обмежує їх застосування в режимі реального часу, особливо на мобільних пристроях з обмеженими обчислювальними ресурсами. З іншого боку, класичні методи обробки сигналів, такі як спектральне віднімання або фільтрація Вінера, працюють швидко та не потребують апаратного прискорення, але часто призводять до появи артефактів «музичного шуму» – випадкових тональних компонент, що виникають через нестаціонарність реального шуму та помилки в оцінці його статистичних характеристик. Проблемою при розробці систем шумопоглинення є знаходження оптимального балансу між якістю очищення сигналу, швидкістю обробки та обчислювальними вимогами. Існуючі рішення зазвичай орієнтуються на один з цих параметрів, жертвуючи іншими. Тому актуальною є розробка гібридних підходів, що поєднують переваги класичних та сучасних методів. У цій роботі розглянемо особливості шумопоглинення аудіосигналів, проведемо детальний аналіз класичних методів (фільтр Вінера, спектральне віднімання, адаптивна фільтрація) та сучасних підходів на основі глибокого навчання (DNN, SEGAN, WaveNet, U-Net), дослідимо їх переваги та недоліки, та реалізуємо інноваційну двоетапну модель, що дозволяє підвищити ефективність шумопоглиення при збереженні прийнятної швидкості обробки для застосувань, близьких до реального часу.
- Open Access
- 29 May 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 2,p. 180-192
МОДИФІКОВАНИЙ АЛГОРИТМ TF-IDF ДЛЯ SEO-ОПТИМІЗАЦІЇ НА ОСНОВІ КОНТЕКСТНОГО АНАЛІЗУ МОДЕЛІ BERT ТА GROQ API
У статті представлено інтегрований підхід до автоматизованої SEO-оптимізації веб-контенту на основі поєднання класичних статистичних методів та сучасних нейромережевих моделей. Метою дослідження було підвищити точність відбору ключових словосполучень і зменшити обсяг «шуму» в аналізі без значного втручання людини.На початковому етапі проаналізовано карту сайту, із якої відсіяно документи допоміжного характеру, після чого сформовано великий корпус текстів. Виконано лематизацію та очищення від стоп-слів, що дозволило значно скоротити різноманіття словоформ і підготувати дані для глибшого аналізу. Основним інструментом вибору термінів став класичний метод частотно-зворотно-частотного ранжування, який успішно виявляє найуживаніші слова, але не враховує семантичних зв’язків складних фраз. Щоб підвищити семантичну релевантність, інтегровано нейромодель із власною фільтрацією малозначущих конструкцій. Додатково застосовано метод ковзаючого вікна для формування контекстних триплетів із ключовим словом у центрі, що сприяє виявленню справді змістовних фраз. На заключному етапі текстова модель автоматично генерує та коригує заголовки, мета-теги, абзаци й описи зображень відповідно до сучасних рекомендацій. Результати демонструють помітне зростання точності добору ключів, зменшення рівня «шуму» та приведення характеристик тексту до практичних норм, що забезпечує прогнозоване підвищення клікабельності. Автоматизований аудит також виявив дисбаланс у використанні заголовків різного рівня, який впливає на індексацію, і на його основі сформульовано рекомендації щодо оптимізації структури сторінок. Загалом поєднання статистичних алгоритмів і нейромережевих інструментів створює ефективну платформу для розробки автономних SEO-асистентів, здатних адаптуватися до динамічних змін у цифровому середовищі без постійного контролю людини.
- 29 May 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 2,p. 180-192
Open AccessМОДИФІКОВАНИЙ АЛГОРИТМ TF-IDF ДЛЯ SEO-ОПТИМІЗАЦІЇ НА ОСНОВІ КОНТЕКСТНОГО АНАЛІЗУ МОДЕЛІ BERT ТА GROQ API
У статті представлено інтегрований підхід до автоматизованої SEO-оптимізації веб-контенту на основі поєднання класичних статистичних методів та сучасних нейромережевих моделей. Метою дослідження було підвищити точність відбору ключових словосполучень і зменшити обсяг «шуму» в аналізі без значного втручання людини.На початковому етапі проаналізовано карту сайту, із якої відсіяно документи допоміжного характеру, після чого сформовано великий корпус текстів. Виконано лематизацію та очищення від стоп-слів, що дозволило значно скоротити різноманіття словоформ і підготувати дані для глибшого аналізу. Основним інструментом вибору термінів став класичний метод частотно-зворотно-частотного ранжування, який успішно виявляє найуживаніші слова, але не враховує семантичних зв’язків складних фраз. Щоб підвищити семантичну релевантність, інтегровано нейромодель із власною фільтрацією малозначущих конструкцій. Додатково застосовано метод ковзаючого вікна для формування контекстних триплетів із ключовим словом у центрі, що сприяє виявленню справді змістовних фраз. На заключному етапі текстова модель автоматично генерує та коригує заголовки, мета-теги, абзаци й описи зображень відповідно до сучасних рекомендацій. Результати демонструють помітне зростання точності добору ключів, зменшення рівня «шуму» та приведення характеристик тексту до практичних норм, що забезпечує прогнозоване підвищення клікабельності. Автоматизований аудит також виявив дисбаланс у використанні заголовків різного рівня, який впливає на індексацію, і на його основі сформульовано рекомендації щодо оптимізації структури сторінок. Загалом поєднання статистичних алгоритмів і нейромережевих інструментів створює ефективну платформу для розробки автономних SEO-асистентів, здатних адаптуватися до динамічних змін у цифровому середовищі без постійного контролю людини.
- Open Access
- 27 February 2025
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 1 (2 (133)) , 6-17
Query expansion based on context-dependent sentiment analysis in databases with domain-specific filtering
The object of this study is an improved query expansion method based on context-dependent text sentiment analysis in information retrieval systems for working with databases. Using natural language processing (NLP) methods, in particular contextual embeddings and transformer architectures, this paper focuses on adaptively determining user intent within the submitted query. The study involves analyzing and improving text processing mechanisms using subject-specific filtering to increase the accuracy and relevance of search results. The proposed method demonstrates an increase in the accuracy of context-sensitive models by 6 % compared to baseline approaches. The aggregate F1-measure indicator, which combines precision, completeness, and accuracy, reflects the relevance of the constructed models, showing an increase of 6–8 %. The difference between the least and most effective methods is 16 % in accuracy and 17 % in relevance. The proposed approach overcomes the limitations of static traditional synonym and statistical methods by dynamically interpreting the relationship between tone, context, and domain specificity of content. Improved semantic understanding allows for more accurate matching of extended queries with user goals. This method could be effectively applied in practice in settings where information retrieval systems operate within domain-specific databases. This applies to scenarios in which user queries contain complex, emotionally colored language constructs that require a deeper understanding of context and tone. However, its implementation requires training on high-quality domain-specific datasets with contextual labels that provide accurate adaptation
- 27 February 2025
- Published by Private Company Technology Center in Eastern-European Journal of Enterprise Technologies
- Vol. 1 (2 (133)) , 6-17
Open AccessQuery expansion based on context-dependent sentiment analysis in databases with domain-specific filtering
The object of this study is an improved query expansion method based on context-dependent text sentiment analysis in information retrieval systems for working with databases. Using natural language processing (NLP) methods, in particular contextual embeddings and transformer architectures, this paper focuses on adaptively determining user intent within the submitted query. The study involves analyzing and improving text processing mechanisms using subject-specific filtering to increase the accuracy and relevance of search results. The proposed method demonstrates an increase in the accuracy of context-sensitive models by 6 % compared to baseline approaches. The aggregate F1-measure indicator, which combines precision, completeness, and accuracy, reflects the relevance of the constructed models, showing an increase of 6–8 %. The difference between the least and most effective methods is 16 % in accuracy and 17 % in relevance. The proposed approach overcomes the limitations of static traditional synonym and statistical methods by dynamically interpreting the relationship between tone, context, and domain specificity of content. Improved semantic understanding allows for more accurate matching of extended queries with user goals. This method could be effectively applied in practice in settings where information retrieval systems operate within domain-specific databases. This applies to scenarios in which user queries contain complex, emotionally colored language constructs that require a deeper understanding of context and tone. However, its implementation requires training on high-quality domain-specific datasets with contextual labels that provide accurate adaptation
- Open Access
- 11 January 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 5,p. 40-54
СИСТЕМА КОМП’ЮТЕРНОГО ЗОРУ АВТОНОМНИХ БЕЗПІЛОТНИХ ПІДВОДНИХ АПАРАТІВ НА БАЗІ МОДИФІКОВАНОГО МЕТОДУ SEA-THRU ТА НЕЙРОМЕРЕЖІ YOLO
Автономні безпілотні підводні апарати (АБПА) представляють значні можливості для різноманітних завдань у водному середовищі, таких як наукові дослідження, цивільні дослідження і військові місії. Вони використовуються для вивчення підводного середовища за допомогою різноманітних бортових приладів і датчиків. Однак виявлення та класифікація підводних об’єктів залишаються складними завданнями через умови підводного середовища, такі як розсіювання і поглиблення світла. У даний час попередні методи виявлення підводних об’єктів в основному базуються на традиційних підходах до обробки зображень та комп’ютерного зору, які часто не враховують усіх складнощів підводного середовища. Пропонована робота розглядає інтеграцію реконструкції кольорів та використання глибокого навчання безпосередньо на борту АБПА. Це може вирішити виклики, пов’язані зі зменшенням якості зображень через розсіювання та поглиблення світла у водному середовищі. Розглядаючи важливість виявлення та класифікації підводних об’єктів у реальному часі, обрана стратегія інтеграції технологій не тільки покращить здатність АБПА розпізнавати об’єкти, але й зробить цей процес ефективнішим і надійнішим. Результатом буде збільшена точність та швидкість виявлення об’єктів у водних глибинах, що розширить можливості використання АБПА в різноманітних областях, включаючи військові операції, наукові дослідження та місії цивільного призначення. Дослідження зосереджується на вирішенні ключової проблеми – ефективному виявленні та класифікації підводних об’єктів в реальному часі. Інтеграція передових технологій та підходів відкриває нові перспективи для автоматизованого аналізу зображень у підводному середовищі. Покращення точності та швидкості виявлення об’єктів може розширити можливості АБПА для різноманітних застосувань, включаючи військові, дослідницькі та цивільні місії у водних середовищах.
- 11 January 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 5,p. 40-54
Open AccessСИСТЕМА КОМП’ЮТЕРНОГО ЗОРУ АВТОНОМНИХ БЕЗПІЛОТНИХ ПІДВОДНИХ АПАРАТІВ НА БАЗІ МОДИФІКОВАНОГО МЕТОДУ SEA-THRU ТА НЕЙРОМЕРЕЖІ YOLO
Автономні безпілотні підводні апарати (АБПА) представляють значні можливості для різноманітних завдань у водному середовищі, таких як наукові дослідження, цивільні дослідження і військові місії. Вони використовуються для вивчення підводного середовища за допомогою різноманітних бортових приладів і датчиків. Однак виявлення та класифікація підводних об’єктів залишаються складними завданнями через умови підводного середовища, такі як розсіювання і поглиблення світла. У даний час попередні методи виявлення підводних об’єктів в основному базуються на традиційних підходах до обробки зображень та комп’ютерного зору, які часто не враховують усіх складнощів підводного середовища. Пропонована робота розглядає інтеграцію реконструкції кольорів та використання глибокого навчання безпосередньо на борту АБПА. Це може вирішити виклики, пов’язані зі зменшенням якості зображень через розсіювання та поглиблення світла у водному середовищі. Розглядаючи важливість виявлення та класифікації підводних об’єктів у реальному часі, обрана стратегія інтеграції технологій не тільки покращить здатність АБПА розпізнавати об’єкти, але й зробить цей процес ефективнішим і надійнішим. Результатом буде збільшена точність та швидкість виявлення об’єктів у водних глибинах, що розширить можливості використання АБПА в різноманітних областях, включаючи військові операції, наукові дослідження та місії цивільного призначення. Дослідження зосереджується на вирішенні ключової проблеми – ефективному виявленні та класифікації підводних об’єктів в реальному часі. Інтеграція передових технологій та підходів відкриває нові перспективи для автоматизованого аналізу зображень у підводному середовищі. Покращення точності та швидкості виявлення об’єктів може розширити можливості АБПА для різноманітних застосувань, включаючи військові, дослідницькі та цивільні місії у водних середовищах.
- Open Access
- 11 January 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 5,p. 3-14
КОМБІНОВАНИЙ ПІДХІД ДО ПІДВИЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ БІКУБІЧНОЇ ІНТЕРПОЛЯЦІЇ ТА ФІЛЬТРА ЛАНЦОША
У сучасному світі цифрових технологій обробка зображень відіграє ключову роль у численних галузях. Від медичної візуалізації, яка вимагає високої чіткості для точних діагнозів, до супутникової розвідки, що спирається на деталізовані зображення для моніторингу земних та атмосферних явищ. Також це стосується мультимедійних продуктів, де якість зображення безпосередньо впливає на сприйняття контенту користувачами. Одне з основних завдань у цій сфері – збільшення розміру зображень із збереженням їхньої якості. Традиційні методи, такі як бікубічна інтерполяція та метод Ланцоша, вже давно використовуються у цій області через їх простоту та ефективність. Хоча вони ефективні для помірного збільшення зображень, при значному збільшенні вони часто призводять до втрати якості, зокрема до розмиття та поганого збереження деталей. Особливо це стає критичним у ситуаціях, де необхідна висока деталізація, наприклад, у медичних знімках для точної діагностики або в супутникових зображеннях для точного моніторингу змін на Землі. Тому з'являється потреба у більш вдосконалених методах збільшення розміру зображень, які здатні зберегти високу якість деталей навіть при значному збільшенні. У відповідь на ці виклики, сучасні технології, зокрема глибинне навчання та нейронні мережі, пропонують новітні підходи до обробки зображень. Ці методи здатні значно підвищити якість зображень, зокрема за рахунок вдосконаленого відтворення деталей та зменшення розмиття. Однак, вони вимагають значних обчислювальних ресурсів та великих наборів даних для ефективного навчання, що може бути обмежувальним фактором для їх застосування у практичних сценаріях. Крім того, складність налаштування та тонкої настройки нейронних мереж також може бути бар'єром для широкого використання цих методів. Враховуючи ці обмеження, комбінований підхід, який включає елементи класичних технік, видається оптимальним рішенням. Такий метод може поєднувати простоту та надійність класичних методів з високою якістю та деталізацією. Це дозволяє досягти високої якості зображень з помірними обчислювальними витратами. Ця стаття детально аналізує та порівнює класичні методи з комбінованим підходом, використовуючи різноманітні метрики якості, такі як PSNR, для об'єктивної оцінки результатів. Окрім якості зображень, також розглядаються час обробки та ефективність використання ресурсів, що є важливими аспектами у виборі методу обробки зображень. Комбінований підхід, що інтегрує класичні та новітні методи, може стати ефективним інструментом у сучасних застосуваннях обробки зображень, забезпечуючи високу якість та ефективність.
- 11 January 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 5,p. 3-14
Open AccessКОМБІНОВАНИЙ ПІДХІД ДО ПІДВИЩЕННЯ ЯКОСТІ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ БІКУБІЧНОЇ ІНТЕРПОЛЯЦІЇ ТА ФІЛЬТРА ЛАНЦОША
У сучасному світі цифрових технологій обробка зображень відіграє ключову роль у численних галузях. Від медичної візуалізації, яка вимагає високої чіткості для точних діагнозів, до супутникової розвідки, що спирається на деталізовані зображення для моніторингу земних та атмосферних явищ. Також це стосується мультимедійних продуктів, де якість зображення безпосередньо впливає на сприйняття контенту користувачами. Одне з основних завдань у цій сфері – збільшення розміру зображень із збереженням їхньої якості. Традиційні методи, такі як бікубічна інтерполяція та метод Ланцоша, вже давно використовуються у цій області через їх простоту та ефективність. Хоча вони ефективні для помірного збільшення зображень, при значному збільшенні вони часто призводять до втрати якості, зокрема до розмиття та поганого збереження деталей. Особливо це стає критичним у ситуаціях, де необхідна висока деталізація, наприклад, у медичних знімках для точної діагностики або в супутникових зображеннях для точного моніторингу змін на Землі. Тому з'являється потреба у більш вдосконалених методах збільшення розміру зображень, які здатні зберегти високу якість деталей навіть при значному збільшенні. У відповідь на ці виклики, сучасні технології, зокрема глибинне навчання та нейронні мережі, пропонують новітні підходи до обробки зображень. Ці методи здатні значно підвищити якість зображень, зокрема за рахунок вдосконаленого відтворення деталей та зменшення розмиття. Однак, вони вимагають значних обчислювальних ресурсів та великих наборів даних для ефективного навчання, що може бути обмежувальним фактором для їх застосування у практичних сценаріях. Крім того, складність налаштування та тонкої настройки нейронних мереж також може бути бар'єром для широкого використання цих методів. Враховуючи ці обмеження, комбінований підхід, який включає елементи класичних технік, видається оптимальним рішенням. Такий метод може поєднувати простоту та надійність класичних методів з високою якістю та деталізацією. Це дозволяє досягти високої якості зображень з помірними обчислювальними витратами. Ця стаття детально аналізує та порівнює класичні методи з комбінованим підходом, використовуючи різноманітні метрики якості, такі як PSNR, для об'єктивної оцінки результатів. Окрім якості зображень, також розглядаються час обробки та ефективність використання ресурсів, що є важливими аспектами у виборі методу обробки зображень. Комбінований підхід, що інтегрує класичні та новітні методи, може стати ефективним інструментом у сучасних застосуваннях обробки зображень, забезпечуючи високу якість та ефективність.
- Open Access
- 24 November 2023
- Published by Private Company Technology Center
- p. 88-122
Semantic role labelling and analysis in economic and cybersecurity contexts using natural language processing classifiers
Semantic Role Labeling (SRL) is a crucial task in Natural Language Processing (NLP) that plays a vital role in extracting meaningful information from text. In the fields of economics and cybersecurity, accurately identifying and analyzing semantic roles within text is crucial due to the rapid increase in the amount and complexity of textual information. This abstract examines the significant role of SRL and its application in economic and cybersecurity contexts. It discusses the state-of-the-art NLP classifiers used for this purpose. By examining the relationship between language processing and these important areas, we aim to emphasize the importance of SRL in extracting useful information and improving decision-making in a constantly changing digital environment. The aim of the findings is to emphasize the significance of SRL in extracting valuable insights from text, as it serves as a fundamental technique in NLP. It is utilized in the economic context to analyze financial reports, news articles, and economic texts. It assists in decision-making and market analysis. It aids in identifying important participants, actions, and objects in economic discourse, leading to better decision-making and market analysis. In the field of cybersecurity, SRL assists parse and comprehending text data related to security, enabling faster responses to threats. NLP classifiers and machine learning models utilize SRL to automate the analysis of large amounts of text. These techniques are practically significant as they improve the ability to extract actionable insights, assess risks, and make informed decisions by organizing unstructured text data. The process of determining relevant information from a large corpus of data requires an optimal methodological basis. Relevant textual data is collected from sources such as financial reports, news articles, or cybersecurity incident reports. Textual data is cleaned, tokenized, and tagged with part-of-speech labels in preparation for NLP analysis. Human annotators label semantic roles in the text, identifying actors, actions, and objects. This creates a dataset that can be used to train classifiers. NLP classifiers, including machine learning models, are trained using annotated datasets to identify semantic roles. The accuracy and performance of the trained classifiers are evaluated using various metrics. NLP classifiers are used to automatically identify and label semantic roles in new, unseen textual data. The output helps extract insights, such as market trends or security threats, depending on the specific field. Researchers improve classifier models by iteratively training and applying them to increase accuracy.
- 24 November 2023
- Published by Private Company Technology Center
- p. 88-122
Open AccessSemantic role labelling and analysis in economic and cybersecurity contexts using natural language processing classifiers
Semantic Role Labeling (SRL) is a crucial task in Natural Language Processing (NLP) that plays a vital role in extracting meaningful information from text. In the fields of economics and cybersecurity, accurately identifying and analyzing semantic roles within text is crucial due to the rapid increase in the amount and complexity of textual information. This abstract examines the significant role of SRL and its application in economic and cybersecurity contexts. It discusses the state-of-the-art NLP classifiers used for this purpose. By examining the relationship between language processing and these important areas, we aim to emphasize the importance of SRL in extracting useful information and improving decision-making in a constantly changing digital environment. The aim of the findings is to emphasize the significance of SRL in extracting valuable insights from text, as it serves as a fundamental technique in NLP. It is utilized in the economic context to analyze financial reports, news articles, and economic texts. It assists in decision-making and market analysis. It aids in identifying important participants, actions, and objects in economic discourse, leading to better decision-making and market analysis. In the field of cybersecurity, SRL assists parse and comprehending text data related to security, enabling faster responses to threats. NLP classifiers and machine learning models utilize SRL to automate the analysis of large amounts of text. These techniques are practically significant as they improve the ability to extract actionable insights, assess risks, and make informed decisions by organizing unstructured text data. The process of determining relevant information from a large corpus of data requires an optimal methodological basis. Relevant textual data is collected from sources such as financial reports, news articles, or cybersecurity incident reports. Textual data is cleaned, tokenized, and tagged with part-of-speech labels in preparation for NLP analysis. Human annotators label semantic roles in the text, identifying actors, actions, and objects. This creates a dataset that can be used to train classifiers. NLP classifiers, including machine learning models, are trained using annotated datasets to identify semantic roles. The accuracy and performance of the trained classifiers are evaluated using various metrics. NLP classifiers are used to automatically identify and label semantic roles in new, unseen textual data. The output helps extract insights, such as market trends or security threats, depending on the specific field. Researchers improve classifier models by iteratively training and applying them to increase accuracy.
- Open Access
- 18 December 2022
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 49,p. 74-79
Адаптування технології суперсемплінгу для збільшення продуктивності рендерингу зображення методом трасування променів у реальному часі
У статті представлено варіант адаптації технології суперсемплінгу, або надлишкової вибірки згладжування, для збільшення продуктивності рендерингу зображення методом трасування променів у реальному часі. Запропоновано модифікований підхід з різною роздільною здатністю. Замість того, щоб дотримуватися жорсткої структури сітки квадродерев, яка властива текстурам і збереженим пікселям, для збору зразків використовується трикутна сітка. Ця трикутна сітка фактично накладається на традиційний формат текстури, який використовується для збору зразків у офсетному візерунку, а потім повертається до традиційної сітки для відображення на екрані. Ми вважаємо, що використання цієї трикутної вибірки потребуватиме меншої кількості вибірок, покращуючи ефективність алгоритму без погіршення якості кінцевої візуалізації. Представлено результати тестування адаптованого алгоритму відносно немодифікованого методу рендерингу.
- 18 December 2022
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 49,p. 74-79
Open AccessАдаптування технології суперсемплінгу для збільшення продуктивності рендерингу зображення методом трасування променів у реальному часі
У статті представлено варіант адаптації технології суперсемплінгу, або надлишкової вибірки згладжування, для збільшення продуктивності рендерингу зображення методом трасування променів у реальному часі. Запропоновано модифікований підхід з різною роздільною здатністю. Замість того, щоб дотримуватися жорсткої структури сітки квадродерев, яка властива текстурам і збереженим пікселям, для збору зразків використовується трикутна сітка. Ця трикутна сітка фактично накладається на традиційний формат текстури, який використовується для збору зразків у офсетному візерунку, а потім повертається до традиційної сітки для відображення на екрані. Ми вважаємо, що використання цієї трикутної вибірки потребуватиме меншої кількості вибірок, покращуючи ефективність алгоритму без погіршення якості кінцевої візуалізації. Представлено результати тестування адаптованого алгоритму відносно немодифікованого методу рендерингу.
- Open Access
- 30 June 2022
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 47,p. 117-122
Метод розпізнавання дефектного мовлення на базі технології Mel-cepstral
У статті досліджується методи розпізнавання мови людей з порушенням мовного апарату по короткому словнику з використанням mel-кепстральних коефіцієнтів.
- 30 June 2022
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 47,p. 117-122
Open AccessМетод розпізнавання дефектного мовлення на базі технології Mel-cepstral
У статті досліджується методи розпізнавання мови людей з порушенням мовного апарату по короткому словнику з використанням mel-кепстральних коефіцієнтів.
- Open Access
- 24 March 2021
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 42,p. 5-10
Моделювання та алгоритми обробки інформації супутникового адаптивного надпровідного гравіметра.
Обґрунтовані принципи створення перспективного супутникового гравіметра, придатного для отримання оперативної інформації щодо гравітаційного поля. Розроблено математичні моделі динаміки та стійкості керованого надпровідного підвісу. Побудовано чисельні алгоритми оцінювання величини гравітаційного збурення, що впливає на левітаційне пробне тіло. Обґрунтовано технологію створення макету супутникового гравіметра на основі високотемпературних надпровідних наноплівок.
- 24 March 2021
- Published by Lutsk National Technical University in COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION
- No. 42,p. 5-10
Open AccessМоделювання та алгоритми обробки інформації супутникового адаптивного надпровідного гравіметра.
Обґрунтовані принципи створення перспективного супутникового гравіметра, придатного для отримання оперативної інформації щодо гравітаційного поля. Розроблено математичні моделі динаміки та стійкості керованого надпровідного підвісу. Побудовано чисельні алгоритми оцінювання величини гравітаційного збурення, що впливає на левітаційне пробне тіло. Обґрунтовано технологію створення макету супутникового гравіметра на основі високотемпературних надпровідних наноплівок.