Суть наукових результатів роботи - внесок у теорію та методологію виведення каузальних моделей та знань з даних пасивних спостережень. В основі результатів лежить поглиблений аналіз та використання марковських властивостей та "топологічних" обмежень відповідних класів структур залежностей. Дослідження цих властивостей виконано на строгому рівні з відповідним граф-теоретичним обгрунтування. Одержано нові логічні закономірності на множині марковських властивостей каузальних мереж з використанням поняття локально-мінімального сепаратора. Показано, що з базових марковських властивостей та "топологічних" обмежень на структури каузальних мереж випливають імплікативні правила, які зв'язують задані конкретні ознаки та знання про структуру моделі з іншими характеристиками та обмеженнями на структуру. Використовуючи такі імплікативні правила, вдається звужувати простір пошуку спростування для фактів існування ребер в структурі моделі. Отже, можна підвищити ефективність синтезу та виведення каузальних мереж з даних, адаптивно оптимізувати пошук складних мінімальних сепараторів, виходячи з знання вже відомих простих сепараторів та паттернів залежностей у локальному "околі" моделі. Розроблено загальні принципи побудови методів та алгоритмів серії "Razor" для індуктивного виведення каузальних мереж в широкому класі ациклонних графів залежностей та ефективні варіанти алгоритмів. Досліджено поведінку провокованих залежностей та показано роль цього інструменту для підвищення надійності ідентифікації спрямування залежності. Також розроблено низку ефективних спеціальних алгоритмів для виведення структур залежностей з даних в підкласах мереж залежностей, які спираються на обмеження "топології" системи зв'язків і залучають техніку провокування залежностей. Розроблено нову аналітичну техніку та методи виявлення прихованих змінних в контексті ймовірнісних моделей залежностей. Виведено паттерни залежностей, які "сигналізують" про існування прихованого спільного бінарного фактору кількох змінних. Новизна запропонованих методів базується на застосуванні нового оригінального індексу залежності номінальних змінних. Створений науковий апарат є основою для розробки цілої родини комп'ютерних методів, алгоритмів та засобів глибокого аналізу даних і виведення каузальних моделей з даних.

• Балабанов Олександр Степанович (фізико-математичні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"