МОДЕЛЮВАННЯ ТА ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ АДАПТИВНОГО АНСАМБЛЕВОГО ІНДИКАТОРУ ДІАГНОСТИКИ СТРАТЕГІЧНОЇ РЕСУРСНОЇ БЕЗПЕКИ РОЗПОДІЛЕНОЇ ОРГАНІЗАЦІЙНОЇ СИСТЕМИ
DOI:
https://doi.org/10.35546/kntu2078-4481.2026.1.42Ключові слова:
класифікація методами машинного навчання, гетерогенний ансамбль класифікаторів, адаптивна метрика якості, дисбаланс класів, специфічність (ризик гіподіагностики), м’яке голосування, підтримка стратегічних рішеньАнотація
У статті представлено результати дослідження властивостей адаптивного ансамблевого індикатору діагностики стратегічної ресурсної безпеки (ДСРБ) розподіленої організаційної системи, призначеного для підтримки прийняття рішень в умовах високої невизначеності, неповноти інформації та дисбалансу спостережень. Індикатор реалізовано на основі гетерогенного ансамблю бінарних класифікаторів, що поєднує моделі різних парадигм машинного навчання (Naive Bayes, Support Vector Machine, Random Forest, k-Nearest Neighbors, Logistic Regression), та доповнено спеціалізованими механізмами масштабування, калібрування ймовірностей і адаптивного зважування результатів. Актуальність дослідження зумовлена специфікою ресурсних даних у системах стратегічного управління, для яких характерні складні та асиметричні розподіли ознак, часові лаги, висока неоднорідність умов спостереження, домінування благополучних станів та критичність ризику гіподіагностики неблагополучних ситуацій. З урахуванням цих особливостей у роботі запропоновано композитну метрику якості KQ, що інтегрує показники F1neg, коефіцієнт Метьюза та каппу Коена з урахуванням їхньої взаємної корельованості та управлінських пріоритетів. Дослідження виконано у формі серії обчислювальних експериментів із використанням спеціально згенерованих синтетичних наборів даних, які імітують доменно обумовлену статистичну поведінку ресурсних спостережень, зокрема наявність важких «хвостів» розподілів, шуму міток, класового дисбалансу та впливу ресурсної передісторії. Для цього розроблено уніфікований алгоритм супроводження обчислювального експерименту, що забезпечує відтворюваність, порівнянність результатів і статистичну валідацію ефектів. У межах трьох експериментів проведено базову верифікацію алгоритму, поетапний аналіз внеску окремих механізмів у показники якості та оцінювання ефективності ансамблю в стресових умовах порівняно з найкращим окремим класифікатором. Отримані результати свідчать про стійку перевагу ансамблевого індикатору ДСРБ за композитною метрикою якості, показниками специфічності та F1neg, що підтверджено статистично значущими парними тестами та оцінками розміру ефекту. Показано, що запропонований підхід забезпечує більш надійне виявлення потенційно небезпечних ресурсних станів та формує інтерпретовану основу для підтримки стратегічних управлінських рішень у розподілених організаційних системах.
Посилання
Skybyk S., Doroshenko A., Ilyina O., Sinitsyn I. Machine-learning-based model for indicators of the resource-based security of interests in high-level organizational systems. In: V. Snytyuk, V. Pleskach, I. Javorskyj, M. Dyvak, N. Goranin, V. Levashenko, E. Zaitseva, & O. Pursky (Eds.). Proc. 9th International Scientific and Practical Conference “Applied Information Systems and Technologies in the Digital Society” (AISTDS 2025) (CEUR Workshop Proceedings, Vol. 4133, pp. 153–169). 2025. CEUR-WS.
Ільїна О., Сініцин І., Слабоспицька О. Принципи та моделі експертно-аналітичної методології підтримки формування адаптивних організаційних рішень за умов глибокої невизначеності. Проблеми програмування. 2022. № 3–4. С. 364–375. DOI: https://doi.org/10.15407/pp2022.03-04.364
Сініцин І. П., Шевченко В. Л., Дорошенко А. Ю., Федоренко Р. М. Моделі та програмні системи управління оборонними ресурсами: монографія. Київ : ІПС НАНУ, 2024.
Dietterich T. G. Ensemble methods in machine learning. Multiple Classifier Systems. MCS 2000. Lecture Notes in Computer Science. 2000. Vol. 1857. P. 1–15. DOI: https://doi.org/10.1007/3-540-45014-9_1
Kuncheva L. I. Combining pattern classifiers: methods and algorithms. New York : Wiley-Interscience, 2004.
Polikar R. Ensemble based systems in decision making. IEEE Circuits and Systems Magazine. 2006. Vol. 6, N 3. P. 21–45. DOI: https://doi.org/10.1109/MCAS.2006.1688199
Hnatchuk Y., Lebedovska M. Decision support system for project resource planning based on the random forest method. Computer Systems and Information Technologies. 2025. Vol. 4. P. 35–42. DOI: https://doi.org/10.31891/csit-2025-4-4
Sommer R., Paxson V. Outside the closed world: on using machine learning for network intrusion detection. Proc. of the 2010 IEEE Symposium on Security and Privacy (SP’10). Washington : IEEE, 2010. P. 305–316. DOI: https://doi.org/10.1109/SP.2010.25
Fawcett T., Provost F. Combining data mining and machine learning for effective user profiling. Proc. 2nd International Conference on Knowledge Discovery and Data Mining (KDD’96). 1996. P. 8–13.
Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters. 2006. Vol. 27, N. 8. P. 861–874. DOI: https://doi.org/10.1016/j.patrec.2005.10.010
Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. New York : Springer, 2009.
Gentleman R., Lang D. T. Statistical analyses and reproducible research. Journal of Computational and Graphical Statistics. 2007. Vol. 16, N 1. P. 1–23. DOI: https://doi.org/10.1198/106186007X178663
Santner T. J., Williams B. J., Notz W. I. The design and analysis of computer experiments. New York : Springer, 2018.
Kress M. Operational logistics: the art and science of sustaining military operations. 2nd ed. New York : Springer International Publishing, 2016.
Степанюк М. Ю., Сініцин І. П., Котеля О. В. Проблема створення інформаційної системи логістики в Збройних силах України, що відповідає стандартам НАТО. Проблеми програмування. 2018. № 4. С. 101–110. DOI: https://doi.org/10.15407/pp2018.04.101
Large J., Lines J., Bagnall A. A probabilistic classifier ensemble weighting scheme based on exponentially weighting the probability estimates. Data Mining and Knowledge Discovery. 2019. Vol. 33. P. 1674–1709. DOI: https://doi.org/10.1007/s10618-019-00638-y
Sokolova M., Lapalme G. A systematic analysis of performance measures for classification tasks. Information Processing & Management. 2009. Vol. 45, N 4. P. 427–437. DOI: https://doi.org/10.1016/j.ipm.2009.03.002
Nadeau C., Bengio Y. Inference for the generalization error. Machine Learning. 2003. Vol. 52, N 3. P. 239–281. DOI: https://doi.org/10.1023/A:1024068626366
Ojala M., Garriga G. C. Permutation tests for studying classifier performance. Journal of Machine Learning Research. 2010. Vol. 11. P. 1833–1863. DOI: https://doi.org/10.1109/ICDM.2009.108
Baldi P., Brunak S., Chauvin Y., Andersen C. A. F., Nielsen H. Assessing the accuracy of prediction algorithms for classification: an overview. Bioinformatics. 2000. Vol. 16, N 5. P. 412–424. DOI: https://doi.org/10.1093/bioinformatics/16.5.412
Witten I. H., Frank E., Hall M. A., Pal C. J. Data Mining: Practical Machine Learning Tools and Techniques. 4th ed. Burlington : Morgan Kaufmann, 2016.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
