2026. gada 15. decembrī plkst. 14.15 klātienē, LU Eksakto zinātņu fakultātes (Jelgavas iela 1) 223. auditorijā, kā arī attālināti, notiks LU Matemātikas specializētās promocijas padomes atklātā sēde, kurā promocijas darbu zinātnes doktora grāda (Ph.D) dabaszinātnēs iegūšanai aizstāvēs Valērijs Mihailovs.

Temats: "Nestriktās ekvivalences attiecības klasterizācijas un klasifikācijas algoritmos".

Darba zinātniskais vadītājs: Dr. math. Olga Grigorenko.

 

Anotācija:

Darbā piedāvāti uz nestrikto loģiku balstīti klasterizācijas un klasifikācijas algoritmi, kuru teorētisko pamatu veido nestriktās ekvivalences attiecības un agregācijas operatori. Atšķirībā no tradicionālajām pieejām, kas balstās uz attāluma mēriem, piedāvātā metodoloģija veido līdzības attiecības atsevišķu atribūtu līmenī un pēc tam tās agregē vienotā nestriktās līdzības struktūrā. Tas ļauj apvienot neviendabīgus datus, ņemt vērā atribūtu svarus un elastīgi modelēt nenoteiktību un daļēju līdzību. Empīriskais pielietojums veikts, izmantojot Latvijas nefinanšu uzņēmumu 2022.–2023. gada finanšu datus. Izmantojot nestriktās c-vidējo vērtību metodi un nestriktās ekvivalences attiecības, identificēti uzņēmumu profili un uzņēmumi, kuru finanšu rādītāji liecina par iespējamu gatavību sākotnējam publiskajam piedāvājumam (IPO). Piedāvātie algoritmi izmantoti gan sadalījuma, gan hierarhiskās klasterizācijas metodēs. Nestriktās c-vidējo vērtību metodes algoritms pārformulēts, izmantojot līdzības mērus attāluma funkciju vietā. Hierarhiskajai klasterizācijai izstrādāts nestriktās aglomeratīvās klasterizācijas algoritms, kurā tranzitivitāte tiek nodrošināta ar t-normu palīdzību; ieviesti arī klasteru līmeņa līdzības un kvalitātes mēri. Piedāvātās metodes dod konsekventus un interpretējamus klasterizācijas rezultātus, īpaši trokšņainās datu kopās vai datu kopās ar sarežģītu iekšējo struktūru. Pētījumā paplašināts arī klasiskais k tuvāko kaimiņu (KNN) klasifikators, iekļaujot tajā nestriktās līdzības mērus un uz t-normām balstītu agregāciju. Eksperimentos ar sintētiskajām datu kopām Moons un Blobs iegūtais nestriktais KNN variants sasniedza augstāku klasifikācijas precizitāti nekā tradicionālā metode. No aplūkotajiem agregācijas operatoriem šajos eksperimentos visprecīzākos un stabilākos rezultātus deva reizinājuma un Hamahera t-normas. Kopumā aplūkotajām datu kopām rezultāti norāda uz priekšrocībām, ko dod tradicionālo uz attālumu balstīto modeļu aizstāšana ar uz līdzību balstītu nestrikto pieeju. Piedāvātās metodes var uzlabot noturību, interpretējamību un pielāgojamību, tādējādi tās ir labi piemērotas reālu datu analīzei, kam raksturīga nenoteiktība un sarežģīta struktūra.

 

Recenzenti:

1) ‎Dr. math. Ingrīda Uļjane, Latvijas Universitāte;

2) Dr. Vilem Novak, Ostravas Universitāte, Čehija;

3) Dr. Oscar Valero Sierra, Baleāru Salu Universitāte, Spānija.

 

Ar promocijas darbu var iepazīties LU Bibliotēkā, Raiņa bulvārī 19.

Dalība attālinātā sēdē ar iepriekšēju pieteikšanos, rakstot uz sintija.silina@lu.lv līdz 10. decembrim.