Факультет інформатики

Permanent URI for this collection

https://ekmair.ukma.edu.ua/handle/123456789/18174

Browse

Now showing 1 - 20 of 83

Blockchain-based wildlife data-management framework for the WWF bison rewilding project
(2019) Dryga, Andrii; Tsiulin, Sergey; Valiavko, Mariia; Qing, Yang; Reinau, Kristian Hegner
Mass digitalization, remote sensors, and flexible database solutions encourage organizations to look closer at new technologies as an efficient management tool. In these conditions, the leveraging of blockchain and wireless tracking devices represents a field of fargoing technology development and can be used for wildlife data management. The purpose of this research is to introduce the applicable solution for the case provided by the World Wildlife Fund (WWF) regarding bison population rewilding in Eastern Europe. The goal of the paper is to create a data management framework, which combines information into one multi-integrated system visible to stakeholders. The paper theoretically extends the existing MIT OPAL blockchain-based model, which was implemented for the WWF bison rewilding project, showing a solution from managerial and technical perspectives. The proposed platform is able to provide secure geospatial wildlife data, increase intention to make donations to the project and facilitate the conditions for a better tourism experience. We found that such a system can have a positive effect on the project’s cost reduction, flexibility in redirecting manpower within the region and become a useful tool for decision-makers.
Boolean network optimization by stochastic rewiring
(2024) Cherevko, Christina
In today’s rapidly evolving technological world, the demand for smaller yet more powerful computers is escalating at an unprecedented pace, driving a significant need for research in circuit optimizations. This surge in demand underscores the critical role of logic synthesis, which lies at the heart of digital circuit design. Logic synthesis serves as a pivotal stage in converting a high-level functionality description into an efficient hardware implementation. It is key to meeting the ever-increasing demands for miniaturization and performance enhancement in modern electronics.
Development of an iOS Application for Task Planning with Consideration of the User’s Emotional State
(2025) Piz, Mariana; Nahirna, Alla
The article focuses on the development of a digital tool designed to address the problem of decreased productivity caused by emotional exhaustion. The main objective of the study is to create an iOS application for task planning that takes into account the user’s emotional state, offers mindful breaks for emotional awareness and recovery, and provides analytics on emotional trends. The research includes a comparative analysis of existing software solutions in the areas of time management and mental well-being. During the development process, modern frameworks, tools, and architectural patterns for iOS development were analyzed. An adaptive planning algorithm was implemented, that takes into accountboth the user’s emotional feedback and the attributes of tasks. As a result of the research, a mobile application named Moodpace was developed using Swift, with SwiftUI for building the user interface, SwiftData for data persistence, and the MVVM architectural pattern to ensure maintainable code structure. During the development process, SwiftLint was used for static code analysis, and SwiftFormat was integrated for automatic code formatting. The app was localized into Ukrainian using String Catalog. The developed application is designed to help users manage their tasks while maintaining balance with their mental well-being. It is suitable for everyday use and especially beneficial for individuals with flexible schedules.
Efficient Policy Learning via Knowledge Distillation for Robotic Manipulation
(Національний університет "Києво-Могилянська академія", 2025) Severhin, Oleksandr; Kuzmenko, Dmytro; Shvai, Nadiya
The work focuses on the computational intractability of large-scale Reinforcement Learning (RL) models for robotic manipulation. While world-like models like TD-MPC2 demonstrate high performance in various manipulative tasks, their immense parameter count (e.g., 317M) hinders training and deployment on resource-constrained hardware. This research investigates Knowledge Distillation (KD) with a loss function specifically described in [1] and [2] as a primary method for model compression. This involves training a lightweight "student" model to mimic the behavior of a large, pre-trained "teacher" model. Unlike in supervised learning, distilling knowledge in RL is uniquely complex; the objective is to transfer a dynamic, reward-driven policy, not a simple input-output function.
Energy Conservation for Autonomous Agents Using Reinforcement Learning
(2025) Beimuk, Volodymyr; Kuzmenko, Dmytro
Reinforcement learning (RL) has shown strong potential in autonomous racing for its adaptability to complex and dynamic driving environments. However, most research prioritizes performance metrics such as speed and lap time. Limited consideration is given to improving energy efficiency, despite its increasing importance in sustainable autonomous systems. This work investigates the capacity of RL agents to develop multi-objective driving strategies that balance lap time and fuel consumption by incorporating a fuel usage penalty into the reward function. To simulate realistic uncertainty, fuel usage is excluded from the observation space, forcing the agent to infer fuel consumption indirectly. Experiments are conducted using the Soft Actor-Critic algorithm in a high-fidelity racing simulator, Assetto Corsa, across multiple configurations of vehicles and tracks. We compare various penalty strengths against the non-penalized agent and evaluate fuel consumption, lap time, acceleration and braking profiles, gear usage, engine RPM, and steering behavior. Results show that mild to moderate penalties lead to significant fuel savings with minimal or no loss in lap time. Our findings highlight the viability of reward shaping for multi-objective optimization in autonomous racing and contribute to broader efforts in energy-aware RL for control tasks. Results and supplementary material are available on our project website.
Fractional calculus and its application in financial mathematics
(2024) Zubritska, Dariia; Shchestyuk, Nataliya; Sluchynskyi, Dmytro
Fractional calculus extends classical calculus by allowing differentiation and integration of non-integer orders, providing valuable tools for analyzing complex systems. In this part of the paper we demonstrate the main methods of fractional calculus, including Euler’s, Riemann-Liouville, and Caputo approaches. The behavior of functions such as xn, eλx, and sin(x) is analyzed for fractional orders, demonstrating how fractional differentiation results in varying patterns of growth and decay. The second part explores the application of fractal derivatives in financial mathematics. We present the use of the Riemann-Liouville derivative to model stock prices in illiquid markets, where the price of an asset may remain unchanged for some time. For this, subdiffusion processes and a fractal integrodifferential equation with the Riemann-Liouville derivative are used. The idea of subdiffusion models is to replace the calendar time t in the risk-free bond motion and classical GBM by some stochastic process Ht, which represents a hitting time, which is interpreted as the first time at which Gt hits the barrier t. Next, we focus on the pricing of a European option when the underlying asset is illiquid. The option price is found as a solution to a fractal Dupire integro-differential equation, in which the time derivative is replaced by the Dzerbayshan–Caputo (D-K) derivative. The D–K derivative is a generalization of the Caputo approach. The form of the D–K derivative depends on a random process Gt, called the subordinate. We take a standard inverse Gaussian process with parameters (1,1) as the subordinate Gt and formulate the Proposition about the form of the fractal Dupire equation for the chosen subordinate. These approaches provide tools that allow the investor to take into account the illiquidity of the financial markets.
Hybrid AI Model for Financial Market Prediction
(2025) Voitishyn, Mykyta; Kuzmenko, Dmytro
Financial time series modeling is increasingly complex due to volatility, unexpected breakouts, and the impact of external factors, such as macroeconomic indicators, investor sentiment, company fundamentals, and extreme shocks, like geopolitical events or market manipulations. This paper introduces a hybrid artificial intelligence framework that integrates traditional statistical methods, machine learning models, and Bayesian neural networks (BNNs) to improve predictive performance and uncertainty quantification in financial forecasting. The model leverages a variety of engineered features, including rolling statistics, technical indicators, anomaly scores, interpolated macroeconomic data, and transformer-based sentiment scores. A complete ablation study compares various architectures, including ARIMA, SARIMA, MLR, SNN, and BNN, across multiple prediction windows (1, 3, 5 days) and feature combinations. Results show that while linear models yield the lowest MSE for short-term predictions, they fail to capture non-linear dependencies and uncertainty. In contrast, BNNs offer more reliable mid-term predictions by estimating predictive distributions. The best BNN configuration (Normal distribution, constant variation, TanH activation, 1 hidden layer) achieved an MSE of 0.00022, confirming the advantage of uncertainty-adjusted modeling. Sentiment analysis and anomaly detection were especially impactful when combined with macroeconomic indicators, improving signal reliability and behavioral insight. Our findings highlight the importance of integrating diverse data sources and accounting for predictive uncertainty in financial applications. Additionally, the experiments revealed that compact network architectures often outperform deeper ones when paired with engineered features. All experiments were systematically tracked to ensure reproducibility and facilitate future model benchmarking.
Hybrid random fields
(2024) Zhydok, Fedir; Chornei, Ruslan
Hybrid Random Fields is a class of graphical probabilistic models and it combines Bayesian Networks and Markov Random Fields models. Due to certain assumptions and properties of Hybrid Random Fields, it can simplify the calculation of joint distribution for a certain set of random variables and conditional probability densities for each of the random variables.
License Plate Images Generation with Diffusion Models
(2024) Shpir, Mariia; Shvai, Nadiya; Nakib, Amir
Despite the evident practical importance of license plate recognition (LPR), corresponding research is limited by the volume of publicly available datasets due to privacy regulations such as the General Data Protection Regulation (GDPR). To address this challenge, synthetic data generation has emerged as a promising approach. In this paper, we propose to synthesize realistic license plates (LPs) using diffusion models, inspired by recent advances in image and video generation. In our experiments a diffusion model was successfully trained on a Ukrainian LP dataset, and 1000 synthetic images were generated for detailed analysis. Through manual classification and annotation of the generated images, we performed a thorough study of the model output, such as success rate, character distributions, and type of failures. Our contributions include experimental validation of the efficacy of diffusion models for LP synthesis, along with insights into the characteristics of the generated data. Furthermore, we have prepared a synthetic dataset consisting of 10,000 LP images, publicly available at https://zenodo.org/doi/10.5281/zenodo. 13342102. Conducted experiments empirically confirm the usefulness of synthetic data for the LPR task. Despite the initial performance gap between the model trained with real and synthetic data, the expansion of the training data set with pseudolabeled synthetic data leads to an improvement in LPR accuracy by 3% compared to baseline.
ML-підхід до ідентифікації емоцій у звукових записах на базі MFCC
(Національний університет "Києво-Могилянська академія", 2025) Тимошевський, Данило
У сучасному світі, де взаємодія людини з комп’ютерними системами набуває все більш природного характеру, розпізнавання емоцій за голосом стає одним із ключових напрямів розвитку штучного інтелекту. Голос є одним із найвиразніших каналів передавання емоційного стану, тому аналіз аудіосигналів відкриває можливості для створення інтелектуальних систем, здатних розуміти не лише зміст висловлювань, а й їх емоційне забарвлення. Такі технології мають широкий спектр практичного застосування — від покращення роботи віртуальних асистентів, систем підтримки клієнтів і адаптивних освітніх платформ до психологічного моніторингу стану користувачів. Окремим напрямом, що набуває актуальності, є використання аналізу емоційного тону голосу для оцінювання ефективності ведення гри в настільних рольових іграх, де емоційна залученість та динаміка голосу відображають якість ігрового процесу та комунікації між учасниками.
Nowcasting як сучасний підхід до оцінювання ВВП України: порівняння з традиційними моделями прогнозування
(Національний університет "Києво-Могилянська академія", 2025) Болотов, Єгор; Дрінь, Світлана
Метою даного дослідження є порівняльний аналіз точності прогнозів ВВП України. До таких сучасних підходів до прогнозування на основі моделей змішаної частоти належать векторної авторегресії (MF-VAR) [1] та їх факторних розширень (MF-FAVAR) з традиційними моделями прогнозування. Особливий акцент робиться на їх здатності інтегрувати багаточастотні та нетрадиційні джерела інформації. Це дослідження є особливо актуальним, оскільки, хоча в українській науці вже існують дослідження змішаних частотних моделей на національному рівні (наприклад, U-MIDAS [2]), сучасні економічні підходи, такі як MF-FAVAR, ще не застосовувалися для регіональних прогнозів.
On supervising and coordinating microservices within web applications on the basis of state machines
(2024) Oletsky, Oleksiy; Moholivskyi, Vitali
An approach to supervising and coordinating microservices by applying state machines has been developed. Both orchestration and choreography approaches to coordinate microservices are considered. A prototype of a library based on this approach is reported. Such advantages as central control over complex distributed execution flow, declarative description of the system and the workflows within it, rich facilities for visualization, possibilities for applying mathematical methods of analysis, keeping track of long-running background jobs, monitoring the current state of a system, testing coordination logic with mocked implementation details, and debugging coordination issues using only state machine without running microservices are illustrated on examples. A way to estimate the importance measures of specific microservices based on PageRank-like techniques is suggested. Some suggestions for using other mathematical methods are discussed.
PINN Modeling of Interfacial Gravity-Capillary Waves
(Національний університет "Києво-Могилянська академія", 2025) Avramenko, Olha; Sontikov, Maksym
This paper presents an automated computational framework for modeling hydrodynamic processes using physics-informed neural networks (PINNs). The modular system integrates all stages of numerical experimentation — from data generation and model training to validation and accuracy evaluation — ensuring reproducibility, flexibility, and scalability. The framework was verified on the classical problem of interfacial gravity–capillary waves between two incompressible fluids, using the analytical solution as a benchmark for numerical assessment. Computational experiments showed that increasing the number of training points from 400 to 1000 improved accuracy and convergence, with the Extended configuration achieving 98.86% accuracy and a MAPE of 1.14%, while Adaptive_LR remained stable. The results confirm the reliability and efficiency of the proposed PINN-based framework for solving complex hydrodynamic problems governed by nonlinear partial differential equations.
Properties of the ideal-intersection graph of the ring Zn
(2023) Utenko, Yelizaveta
In this paper we study properties of the ideal-intersection graph of the ring 𝑍𝑛. The graph of ideal intersections is a simple graph in which the vertices are non-zero ideals of the ring, and two vertices (ideals) are adjacent if their intersection is also a non-zero ideal of the ring. These graphs can be referred to as the intersection scheme of equivalence classes (See: Laxman Saha, Mithun Basak Kalishankar Tiwary "Metric dimension of ideal-intersection graph of the ring 𝑍𝑛" [1] ). In this article we prove that the triameter of graph is equal to six or less than six. We also describe maximal clique of the ideal-intersection graph of the ring 𝑍𝑛. We prove that the chromatic number of this graph is equal to the sum of the number of elements in the zero equivalence class and the class with the largest number of element. In addition, we demonstrate that eccentricity is equal to 1 or it is equal to 2. And in the end we describe the central vertices in the ideal-intersection graph of the ring 𝑍𝑛.
Risk modelling approaches for student-like models with fractal activity time
(2021) Solomanchuk, Georgiy; Shchestyuk, Nataliia
The paper focuses on value at risk (V@R) measuring for Student-like models of markets with fractal activity time (FAT). The fractal activity time models were introduced by Heyde to try to encompass the empirically found characteristics of read data and elaborated on for Variance Gamma, normal inverse Gaussian and skewed Student distributions. But problem of evaluating an value at risk for this model was not researched. It is worth to mention that if we use normal or symmetric Student‘s models than V@R can be computed using standard statistical packages. For calculating V@R for Student-like models we need Monte Carlo method and the iterative scheme for simulating N scenarios of stock prices. We model stock prices as a diffusion processes with the fractal activity time and for modeling increments of fractal activity time we use another diffusion process, which has a given marginal inverse gamma distribution. The aim of the paper is to perform and compare V@R Monte Carlo approach and Markowitz approach for Student-like models in terms of portfolio risk. For this purpose we propose procedure of calculating V@R for two types of investor portfolios. The first one is uniform portfolio, where d assets are equally distributed. The second is optimal Markowitz portfolio, for which variance of return is the smallest out of all other portfolios with the same mean return. The programmed model which was built using R-statistics can be used as to the simulations for any asset and for construct optimal portfolios for any given amount of assets and then can be used for understanding how this optimal portfolio behaves compared to other portfolios for Student-like models of markets with fractal activity time. Also we present numerical results for evaluating V@R for both types of investor portfolio. We show that optimal Markowitz portfolio demonstrates in the most of cases the smallest possible Value at Risk comparing with other portfolios. Thus, for making investor decisions under uncertainty we recommend to apply portfolio optimization and value at risk approach jointly.
Validating Architectural Hypotheses in Neural Decision Trees with Neural Architecture Search
(2025) Mykytyshyn, Artem; Shvai, Nadiia
This article introduces an automated and unbiased framework for validating architectural hypotheses for neural network models, with a particular focus on Neural Decision Trees (NDTs). The proposed methodology employs Neural Architecture Search (NAS) as an unbiased tool to explore architectural variations and empirically assess theoretical claims. To demonstrate this framework, we investigate a hypothesis found in the literature: that the complexity of decision nodes in NDTs decreases monotonically with tree depth. This assumption, initially motivated by the task of monocular depth estimation, suggests that deeper nodes in the tree require fewer parameters due to simpler split functions. To rigorously test this hypothesis, we conduct a series of NAS campaigns over the CIFAR-10 image and fully connected layers, while all other architectural components are held constant to isolate the effect of node depth. By applying Tree-structured Parzen Estimator (TPE)-based NAS and evaluating over 300 architectures, we quantify complexity metrics across tree levels and analyze their correlations using Spearman’s rank coefficient. The results provide no statistical or visual evidence supporting the hypothesized trend: node complexity does not decrease with depth. Instead, complexity remains nearly constant across levels, regardless of tree depth or search space size. These results suggest that assumptions derived from specific applications may not generalize to other domains, underscoring the importance of empirical validation and careful searchspace design. The presented framework may serve as a foundation for verifying other structural assumptions across various neural network families and applications.
Автоматизована локалізація застосунків у мікросервісній архітектурі
(2024) Верета, Владислав; Ткаченко, Владислав
У цій статті проведено аналіз різних інструментів і сервісів для здійснення локалізації (перекладу) вебзастосунків, методів і підходів до їх інтеграції та масштабування. Розглянуто наявні рішення для управління локалізаціями вебсервісів. Описано розроблену архітектуру, яка дає змогу швидко адаптувати сервіс під потреби різних користувачів і різних проєктів та ефективно інтегруватися з різними платформами з урахуванням простого масштабування сервісу. На базі цієї архітектури реалізовано вебсервіс EchoLocal. Він покращує взаємодію учасників процесу локалізації вебзастосунків, а також дає змогу оптимально інтегрувати цей процес у розподілену мікросервісну архітектуру сучасних застосунків і просто розгортати у своїй закритій екосистемі. EchoLocal надає можливість своїм користувачам інтегрувати та управляти локалізаціями своїх продуктів в одному місці в реальному часі. EchoLocal допоможе знизити витрати на локалізацію, спростити процес адаптації контенту під різні мовні ринки та підвищити ефективність комунікації між усіма учасниками процесу локалізації.
Автоматизована система виявлення аномалій у бізнес-даних
(2025) Постніков, Михайло; Гороховський, Семен
У статті описано проведений аналіз процесу виявлення аномалій у бізнес-даних, відомі програмні рішення, сформульовано вимоги до системи та описано розроблену автоматизовану програмну систему виявлення аномалій. Ця система складається з програмних модулів, має високу адаптивність, є легкою до модифікації і зручною у використанні. Розроблена система повністю відповідає поставленим раніше вимогам: легкість у налаштуванні забезпечується інтерфейсом користувача і інтерактивним процесом, гнучкість і легкість кастомізації — обраними технологіями та архітектурними абстракціями, надійність — розділенням компонентів через чергу задач, функціональні вимоги — розробленими складовими модулями. Система виконує поставлену задачу автоматизованого виявлення аномалій у бізнес-даних і відповідає сучасним стандартам у галузі даних.
Автоматична класифікація текстів
(2025) Дубовик, Андрій; Волинець, Євгеній
У цьому дослідженні здійснено аналіз сучасних підходів до класифікації текстової інформації. Особливу увагу приділено автоматичній класифікації текстів, що передбачає їхній розподіл за визначеними категоріями без використання ручного аналізу. Розглянуто й порівняно ефективність різних методів класифікації з акцентом на гібридні системи, які здатні поєднувати переваги окремих підходів і забезпечувати підвищену точність та продуктивність моделей. Також обґрунтовано вибір інструментальних засобів для подальшої програмної реалізації системи автоматизованої класифікації текстів за категоріями. Для навчання моделей запропоновано використовувати збірку AG News Classification Dataset з платформи kaggle.com. Доцільним вважається обмеження класифікаційного процесу комбінацією трьох моделей — Naive Bayes, Support Vector Machine (SVM) та Recurrent Neural Networks (RNN), які вирізняються невисокими вимогами до обчислювальних ресурсів і часу на тренування.
Автоматичне визначення шумового профілю аудіозапису
(2010) Ашихмін, А.
Відновлення сигналу є складним завданням, ефективне вирішення якого потребує ґрунтовних експертних знань та великого практичного досвіду в галузі обробки звуку. У статті розглянуто підхід до автоматизації відновлення сигналу на основі методу спектрального віднімання шляхом визначення шумової складової одноканального запису та побудови спектральної оцінки шуму. Використовується статистична модель розподілу енергії сигналів різних типів

Browse

Browsing Факультет інформатики by Title

Results Per Page

Sort Options