Mykhaylo Lobachev

Потокові системи підтримки прийняття рішень, що працюють з мультимодальними часовими рядами, повинні зберігати робастність за спільної дії концептуального дрейфу та тимчасової деградації модальностей. Ізольований розгляд мультимодального злиття, адаптації до дрейфу, виявлення аномалій і калібрування ймовірнісних оцінок не дозволяє надійно відрізняти реальну зміну закономірностей потоку від короткочасного погіршення якості окремого джерела даних. У статті подано єдиний онлайн-конвеєр для потокових СППР, у якому онлайн-оцінювання надійності модальностей використовується як спільний керувальний інтерфейс для надійнісно-адаптивного динамічного злиття, дрейф-ініційованої бюджетованої мікроадаптації та надійнісно-обмеженого виявлення аномалій за бюджетом частки хибних тривог. Надійність інтерпретується як каузальна ймовірність поточного недеградованого стану модальності, калібрується ізотонічною регресією та повторно використовується в усіх правилах керування. Експериментальну перевірку виконано у передпослідовному протоколі на контрольованих потоках з детермінованими ін’єкціями деградацій модальностей, дрейфу та аномалій, а також на реальних даних UCI Appliances Energy Prediction і UCI Air Quality. Калібрована модель надійності зберігає високу здатність відокремлювати деградовані стани (ROC - AUC = 0.8624) та покращує каліброваність до ECE = 0.0845 порівняно з 0.1840 без калібрування. Метод RADF зберігає якість у чистому режимі (MAE = 0.5557, RMSE = 0.6952) та зменшує похибку в деградованих сегментах, зокрема до MAE = 0.6402 проти 0.6820 для раннього злиття у режимі alternating_missing. Бюджетована мікроадаптація покращує пост-дрейфову якість відносно відсутності адаптації (MAE = 0.6613 проти 0.7046; середній час відновлення 157 проти 800 кроків) за оновлення лише трьох параметрів малої голови у фіксованих бюджетах. Метод RC-AD підвищує Recall@FAR для всіх досліджених FAR-бюджетів, зокрема до 0.335 проти 0.103 для наївного мультимодального скорингу за бюджету 0.05. У контрольованому інтегрованому стрес-сценарії система досягає ROC - AUC = 0.983, ECE = 0.029, Recall@FAR=0.311 та PR - AUC = 0.287; у робастних прикладних протоколах із сегментними пропусками знижує MAE приблизно на 35 % у домені енергоспоживання та приблизно на 93 % у домені BTC/USD порівняно з наївним злиттям. Отримані результати подають єдиний науковий результат, а не чотири локальні методи.

У статті формалізовано «паспорт рішення» як центральний аудитований артефакт інтегрованої потокової системи підтримки прийняття рішень для мультимодальних часових рядів за концептуального дрейфу та деградації модальностей. Стаття не повторює модульні методи як окремі нові результати, а фокусується на системному шарі, який перетворює покрокові сигнали надійності rt (m), ваги злиття wt , події дрейфу та мікроадаптації, оцінки аномальності та прапорці сигналізації у відтворювані дискретні дії. «Паспорт рішення» визначено на вікні рішень W = 50 ; він містить агреговані показники пропусків, надійності модальностей, відхилення ваг злиття, лічильники дрейфу та мікроадаптації, аномалійну доказову частину, показник довіри рівня рішень та фінальну дискретну дію. Інтегроване оцінювання виконується за дисертаційним передпослідовним протоколом на контрольованому синтетичному стрес-потоці та у двох репрезентативних прикладних доменах. У репрезентативному синтетичному запуску сигнал надійності досягає ROCAUC -= 0983 .та ECE = 0029 .; за бюджету частки хибних тривог = 005 .надійнісно-обмежене виявлення аномалій забезпечує RecallFAR @.= 0311 та PRAUC -= 0287 ., а десять тригерів дрейфу приводять до десяти бюджетованих мікроадаптацій і змінюють базову вагу злиття з 0000 .до 0634 .. У робастному прикладному протоколі сегментних пропусків p = 090 .у модальності 2 інтегрована СППР зменшує MAE на 35 0. % у домені енергоспоживання та на 93 1. % у домені BTC/USD порівняно з наївним злиттям рівних ваг. Основним практичним результатом є консервативна, але контрольована політика чотирьох дискретних дій: без дії, перевірити якість даних, запустити мікроадаптацію, ескалювати аномалію. «Паспорт рішення» робить кожну таку дію аудитованою, пов’язує експлуатаційні пороги з відтворюваними доказами та підтримує узгодження порогів і бюджетів на основі журналів та маніфестів, а не постфактум довільних пояснень.

Потокові системи підтримки прийняття рішень працюють каузально та за обмежень малої латентності, тому мультимодальні часові ряди мають аналізуватися онлайн. У реальних конвеєрах окремі джерела даних тимчасово деградують (пропуски, підвищений шум, масштабні зсуви), через що статичні стратегії злиття стають нестійкими: деградована модальність продовжує впливати на прогноз, а будь-яке додаткове керування ризикує погіршити якість у сегментах без деградації. У статті розглянуто метод надійнісно-адаптивного динамічного злиття модальностей для потокового прогнозування, у якому онлайн-оцінки надійності модальностей використовуються як керувальний сигнал для перезважування внеску модальних предикторів зі згладжуванням, а безпечний «чистий режим» реалізовано через clean gate: у чистих вікнах вихід збігається з сильним базисом раннього злиття, що виключає регресію якості без деградацій. Ефективність оцінено в потоковому протоколі передпослідовного оцінювання (prequential) на контрольованих потоках із детерміновано заданими ін’єкціями деградацій та на реальних даних UCI Appliances Energy Prediction. Показано, що в clean-режимі метод узгоджується з базисом раннього злиття (MAE = 0,56 ± 0,13 , RMSE = 0,70 ± 0,17), у режимі чергування пропусків зменшує похибку (MAE = 0,64 ± 0,11 проти 0,68 ± 0,08 ), демонструє вищу робастність при «missing_ level» = 0,9 (MAE 0,64 проти 0,70 ) та на деградованих сегментах UCI Appliances досягає MAE = 63,69 ± 5,82 проти 381,91± 95,22 . Надійність модальності трактується як каузальна ймовірнісна оцінка її поточного недеградованого стану та використовується як керувальний інтерфейс для злиття в потоці. Отримані результати сформовано як частину цілісного онлайн-конвеєра, що задовольняє вимоги каузальності, малої латентності та обмежених обчислювальних ресурсів у потокових системах підтримки прийняття рішень. Латентність покрокового інференсу залишається мікросекундною (у середньому 10,07μs ), що робить підхід придатним для низьколатентних потокових конвеєрів.

У потокових інтелектуальних системах підтримки прийняття рішень прогнозування мультимодальних часових рядів виконується каузально та за обмежених ресурсів, тому повне перенавчання після кожної зміни середовища є надмірним. Розглянуто дрейф відносної релевантності модальностей і подієво- ініційовану бюджетовану мікроадаптацію, що оновлює лише малу голову злиття θ = (a, b, c). Подію дрейфу визначають за сигналом релевантності на ковзному вікні (із згладженням і перевіркою персистентності), після чого запускається інкрементне оновлення. Показано, що в постдрейфових сегментах точність зростає до MAE = 0.66 ± 0.01 проти 0.70 ± 0.01 та RMSE = 0.84 ± 0.01 проти 0.90 ± 0.01, а також середній час відновлення становить 157 кроків; у середньому виконуються 3 оновлення

У потокових інтелектуальних системах підтримки прийняття рішень мультимодальні часові ряди аналізуються в умовах каузальності, обмеженої латентності та нестаціонарності. Практична проблема полягає в тому, що тимчасова деградація окремих модальностей (пропуски, підвищений шум, масштабні зсуви) викликає стрибки похибки та може бути помилково інтерпретована як зміна режиму або як аномалія. Це створює потребу в явному керувальному сигналі якості модальності, придатному для онлайн-інтеграції з модулями прогнозування, адаптації та детекції. У статті розглянуто задачу онлайн-оцінювання надійності модальності як ймовірнісної оцінки того, що модальність перебуває в недеградованому стані, та запропоновано легкий метод із явним контролем калібрування. Метод використовує набір «дешевих» каузальних ознак деградації (частка пропусків, варіативність похибки прогнозу, проксі ентропії прогнозу, проксі шуму та проксі лаг-кореляції) і формує сирий скор на основі онлайн-оновлюваної логістичної моделі з монотонним апріорі. Для забезпечення інтерпретованості шкали у вигляді коректної ймовірності виконується постфактум ізотонічне калібрування. Оцінювання проведено на контрольованому мультимодальному потоці з відомою «істинною» міткою деградації та детермінованими ін’єкціями пропусків/шуму/масштабного зсуву; застосовано 10 фіксованих сідів і bootstrap 95% довірчі інтервали (5000 повторів). Запропонована калібрована модель досягає ROC-AUC 0.86 0.07 та BalancedAcc 0.84 0.05 у виявленні деградації, водночас істотно зменшуючи похибку калібрування: ECE = 0.085 (95% ДІ 0.063-0.110) проти ECE = 0.184 (0.145-0.224) для некаліброваної онлайн-моделі та ECE = 0.319 (0.299-0.341) для базової лінії лише за часткою пропусків. Мікробенчмарк латентності показує, що середній час оцінювання надійності для запропонованої моделі становить близько 150 μ s (p99: 479 μ s), що відповідає вимогам низької затримки у потокових конвеєрах. Абляційний аналіз демонструє критичність сигналу пропусків: вилучення ознаки частки пропусків знижує середнє значення ROC-AUC з 0.875 до 0.747. Отримані результати підтверджують, що поєднання легких онлайн-ознак деградації з явним калібруванням формує інтерпретовану шкалу надійності, придатну як керувальний інтерфейс для робастного потокового аналізу мультимодальних часових рядів.

Streaming decision support systems frequently face two coupled operational constraints: multimodal input streams are non-stationary and periodically exhibit modality degradation (missing values, additive noise, gain or scale shifts), while alarm frequency must be limited by an explicit false alarm rate (FAR) budget. Naive multimodal residual scoring then inflates anomaly scores during degraded segments, pushing FAR-constrained thresholds upward and reducing detector sensitivity to genuine anomaly events. The aim is to design and empirically validate a residual scoring policy that retains anomaly sensitivity under alternating modality degradation at a fixed FAR budget. The research tasks are to formalise the streaming multimodal anomaly detection problem under a FAR budget in a causal setting, to design an online modality reliability estimator from cheap causal degradation cues (missingness and feature-energy inflation), to construct a reliability-gated rule for selecting the source of the residual evidence, and to validate the approach on a controlled stream and on the UCI Air Quality dataset. The paper proposes RC-AD, a reliability-constrained residual scoring policy that combines standardised residual scores from modality-specific and early-fusion multimodal predictors, online modality reliability weights estimated from short causal windows using the missingness and feature-energy inflation, and a winner-takes-all rule: in clean windows the early-fusion residual score is used, otherwise the residual score of the currently more reliable modality. RC-AD is a control policy on top of an arbitrary forecasting backbone, which makes it lightweight, auditable, and easy to integrate into existing monitoring pipelines. The empirical study uses a causal protocol with ten fixed seeds and 95% confidence intervals: on a controlled benchmark with alternating modality degradation and injected event anomalies, RC-AD improves Recall@FAR from 0.103 to 0.335 at FAR 0.05 and from 0.182 to 0.426 at FAR 0.10, outperforming naive multimodal, equal-weight fusion and single-modality baselines; a demonstration on UCI Air Quality at FAR 0.01 confirms the same trend against the multimodal baselines. The scientific novelty consists in formulating a multimodal anomaly detection policy with an explicit online reliability constraint that, for the first time, combines gating of early-fusion evidence by causal degradation cues with selection of the most reliable single modality at a prescribed FAR budget. The practical significance is supported by reproducible Recall@FAR improvements on both controlled and real sensor data and by the lightness and interpretability of the method, which suits auditable decision support systems Keywords: machine learning, data analysis, information systems, decision support systems, multimodal time series, non-stationary time series, streaming anomaly detection, data quality degradation, modality reliability estimation, false alarm rate budget.

This study focuses on enhancing the accuracy and robustness of crowd counting in intelligent video surveillance systems by incorporating perspective-awareness into deep learning models. Traditional convolutional neural networks often struggle with scale variations caused by perspective distortions and object occlusions in dense crowd scenes. The goal of this study is to develop a method that leverages geometric depth information to improve the spatial consistency of density estimations and provide more reliable predictions across varying scene configurations, including highly congested or irregular environments. The tasks to be accomplished include designing a depth inclusion module, integrating it into an encoder-decoder architecture, generating depth maps from monocular RGB images, and recalibrating feature representations using attention-weighted scale-aware mechanisms. The methods used involve the extraction of depth features from images via a pre-trained depth estimation model, followed by spatial attention-based recalibration of feature maps to highlight foreground objects and suppress irrelevant background signals. A fully differentiable pipeline is implemented to ensure seamless integration into standard CNN frameworks. The network training procedure also incorporates Euclidean loss functions on pixel-level density maps to optimize scale-sensitive prediction. The proposed method is evaluated on benchmark datasets including ShanghaiTech-B, UCF_CC_50, and Mall, where it consistently outperforms state-of-the-art models in terms of MAE and MSE. The experimental results confirm that the explicit incorporation of depth-aware representations significantly enhances counting performance, especially in scenarios with severe perspective-induced scale disparities. The integration of geometric priors into data-driven models offers a promising direction for real-time surveillance and large-scale crowd monitoring applications, providing not only quantitative improvements but also greater spatial fidelity in density map generation and better adaptability to complex visual conditions.

The article discusses the current state and main directions of development of human re-identification (re-ID) technologies in intelligent video surveillance systems. The formal statement of the re-ID problem is defined and its role in ensuring continuous automatic monitoring of objects between non-overlapping cameras is characterized. The main challenges that complicate the solution of this problem in real conditions are analyzed, including variability of appearance, changes in angle and lighting, partial overlap, domain shift, limited training data and hardware resources. The paper summarizes the approaches to feature extraction, image matching, and deep learning methods used to build effective re-ID models. Particular attention is paid to current trends in the use of generative adversarial networks (GANs) and attention mechanisms that improve identification accuracy. Promising areas for further research, in particular in the field of multimodal learning, adaptation to new domains, and ethical implementation of technologies in public environments, are presented. Keywords: person re-identification, intelligent video systems, computer vision, deep learning, feature space, metric learning, generative adversarial networks, attention mechanism.

In the rapidly evolving domain of cryptocurrency trading, accurate market data analysis is crucial for informed decision making. Candlestick patterns, a cornerstone of technical analysis, serve as visual representations of market sentiment and potential price movements. However, the sheer volume and complexity of cryptocurrency price time-series data presents a significant challenge to traders and analysts alike. This paper introduces an innovative rule-based methodology for recognizing candlestick patterns in cryptocurrency markets using Python. By focusing on Ethereum, Bitcoin, and Litecoin, this study demonstrates the effectiveness of the proposed methodology in identifying key candlestick patterns associated with significant market movements. The structured approach simplifies the recognition process while enhancing the precision and reliability of market analysis. Through rigorous testing, this study shows that the automated recognition of these patterns provides actionable insights for traders. This paper concludes with a discussion on the implications, limitations, and potential future research directions that contribute to the field of computational finance by offering a novel tool for automated analysis in the highly volatile cryptocurrency market.