Методи та моделі побудови інтелектуальних інформаційно-комунікаційних систем автоматизованого управління інфраструктурою

Abstract

У дисертаційній роботі розв’язано наукову задачу розроблення нових та вдосконалення існуючих методів та моделей федеративного машинного навчання для інформаційно‑комунікаційних систем автоматизованого управління, з метою підвищення точності в умовах неповноти, нестаціонарності даних та обмеженості обчислювальних ресурсів кінцевих пристроїв Розроблено метод багатораундного федеративного навчання, який на відміну від відомих, використовує хронологічну стратифікацію навчальної вибірки, з поетапним усередненням агрегованих моделей кожного раунду. Розроблено структурно-функціональну модель інтелектуальної інформаційнокомунікаційної системи, яка базується на відокремленні площини пристроїв, площини передавання даних, площини автоматизованої інфраструктури та площини інтелектуальної обробки даних, які взаємодіють на основі спільного онтологічного ядра. Удосконалено метод обчислення параметрів агрегованої моделі федеративного навчання, введенням додаткового середньозваженого критерію оцінювання ефективності локальних моделей кінцевих пристроїв. The dissertation tackles the scientific problem of designing new and refining existing methods and models of federated machine learning for information and communication automated-control systems, with the aim of improving decisionmaking accuracy when data are incomplete, non-stationary, and processed under limited computational resources on edge devices. A multi-round federated-learning method has been developed which, unlike known approaches, applies chronological stratification of the training data and stepwise averaging of the aggregated models produced at each round. A structural–functional model of an intelligent information and communication system is proposed: it distinguishes a device plane, data-transfer plane, utomatedinfrastructure plane, and intelligent data-processing plane, all interacting through a common ontological core. The procedure for computing the aggregated model’s parameters has been enhanced by introducing an additional weighted-average criterion that assesses the performance of local models on edge devices.