Одним из актуальных направлений исследования устойчивости сетей является класс задач поиска критических узлов — наборов узлов, при переходе которых в неработоспособное состояние сети будет нанесен максимальный ущерб. Для решения задач этого класса сеть моделируется в виде невзвешенного и неориентированного графа. Такие модели применяются при исследованиях связности сетей и широко распространенной метрикой оценки ущерба для них является количество связных пар вершин. Набор вершин считается критическим, если в графе, из которого этот набор удален, количество связных пар вершин минимально среди всех наборов такой же мощности. Помимо метода полного перебора для решения этой задачи используется метод сведения ее к эквивалентной задаче линейного программирования. В описываемом исследовании рассматривается метод снижения размерности задачи линейного программирования за счет подбора двух характеристик вершины так, чтобы несколько вершин с наибольшим значением первой характеристики почти всегда являлись критическими (встречались в большинстве решений) и несколько вершин с наименьшим значением второй характеристики почти никогда не являлись критическими. Тогда часть переменных, соответствующих найденным критическим и некритическим вершинам, можно исключить из задачи линейного программирования, что приводит к сокращению ее размерности. Для корректной постановки задачи потребовалось решить ряд подготовительных подзадач, описанных в предыдущей работе. Данная работа посвящена второй, заключительной части исследования.

Авторефлексией называется отражение субъектом в своем сознании и анализ собственных представлений о реальности, принципах и технологиях своей деятельности, соответствии ее результатов поставленным целям, способов повышения эффективности собственной деятельности. В статье рассмотрен ряд моделей авторефлексии, описываемых в терминах процессов научения, в рамках которых показано, что при неубывающей кривой научения, зависящей от суммарного времени, на него затраченного, оптимальной стратегией является максимизация первоначального периода обучения. То есть если условия получения и освоения опыта не изменяются (в процессе деятельности субъект не получает качественно новой информации), то авторефлексия не имеет смысла. Авторефлексия оправдана, если, например, в процессе продуктивной деятельности увеличивается индивидуальная скорость научения. Предложены иерархические модели научения, в которых достигнутые значения критерия научения определяет скорость научения на более высоком уровне иерархии, что также может рассматриваться как эффект присутствия авторефлексии.

Модели на основе архитектуры трансформер, особенно такие как BERT, стали стандартом для решения задач обработки естественного языка (NLP): классификации текстов, суммаризации, ответов на вопросы. Их высокая эффективность не вызывает сомнений, однако ключевой проблемой остается интерпретируемость. Понимание причин, по которым модели принимают те или иные решения, критически важно для повышения доверия к ним, выявления предвзятости и соблюдения этических и правовых норм. Существующие методы объяснений сосредоточены на выявлении отдельных значимых токенов или взаимодействий только между соседними токенами или их парами, игнорируя глобальный контекст. Это ограничивает их информативность, поскольку такие объяснения часто не отражают логику принятия решений на уровне, понятном человеку. В данной работе предлагается подход, переводящий предсказания модели в объяснения на естественном языке. Алгоритм основан на кластеризации слоев трансформера: из кластеров извлекаются метки, формируются индексы для отбора близких примеров, которые затем подаются в большие языковые модели (Large Language Models, LLM) с целью выявления ключевых общих признаков на естественном языке. Частотный анализ этих признаков в примерах лежит в основе доказательной базы с определенной вероятностью. В задаче обнаружения машинно-стенерированных текстов выявленный подход показывает, как классификаторы могут опираться на стилистические подсказки или структурные аномалии.

В задачах многокритериального оценивания и выбора объектов с многоуровневой структурой в основном применяются аналитические механизмы агрегирования, которые представимы в виде выражений (формул), зависящих от значений концевых критериев иерархического дерева. Одним из аналитических механизмов является аддитивный механизм агрегирования, когда аналитические выражения при интегральном механизме агрегирования задаются в виде суммы оценок объектов по концевым критериям иерархического дерева с глобальными количественными весами или без весов. В последнее время большое распространение получили эталонные и продукционные механизмы агрегирования. В эталонных механизмах агрегирование ведется путем задания эта-лонных объектов в виде точечных значений признаков или областей признакового пространства и распознавания близости или принадлежности к ним объектов. В статье рассмотрен метод оценивания объектов относительно идеальных эталонных профилей и метод классификации объектов по эталонным профилям, не требующего задания порога близости. Предложена процедура перехода от исходных оценок, представленных по критериям в разнотипных шкалах к результирующей количественно-порядковой шкале. Доказывается утверждение о сохранении упорядочений между объектами из разных классов близости к эталонным профилям и полученными по методу аддитивного агрегирования.