Рассматриваются методы дистанционного зондирования объектов с использованием цифровых антенных решеток (ЦАР). Такой подход позволяет получать информацию об объектах без прямого физического контакта, анализируя излучение, отраженное или испущенное ими. Описаны особенности формирования диаграммы приема (ДП) ЦАР, состоящей из двумерной плоской прямоугольной решетки излучающих элементов. Математическая модель ДН отдельного излучателя и системы в целом представлена с учетом волнового числа, расстояния между элементами и углов сканирования. Особое внимание уделено ограничениям разрешающей способности системы, обусловленным критерием Рэлея и связанным с линейными размерами антенны. В области малых угловых отклонений проводится аппроксимация компонент модели, что упрощает расчет, но ограничивает возможность различения близко взаимно расположенных источников в двумерном пространстве. Возникает задача цифровой обработки полученных сигналов для повышения углового разрешения системы. В статье обсуждаются методы и алгоритмы на базе глубоких нейронных сетей, направленные на преодоление этих ограничений и улучшение качества получаемых изображений при дистанционном зондировании с использованием ЦАР. В статье продемонстрированы качественные результаты работы предлагаемого решения на ЦАР с фиксированными параметрами. Визуально показаны примеры работы рассматриваемого алгоритма.

В статье рассматривается математическая модель распределенных транзакционных приложений с микросервисной архитектурой в виде сети массового обслуживания с последовательными узлами, один из которых имеет параллельную структуру типа fork-join. На основе метода декомпозиции для анализа сетей массового обслуживания предлагается подход к оценке среднего времени отклика рассматриваемой системы.

Цензура в различных формах является широко распространенным методом контроля информационного пространства. Довольно часто цензурные ограничения нацелены на препятствование критике властей. Другой подход допускает критику, но препятствует контенту, способствующему коллективным протестным акциям. Исследования последних лет показывают, что первая стратегия является малоэффективной, поскольку распространители контента – с одной стороны, и его потребители – с другой, находят способы обходить цензурные ограничения. При отсутствии непосредственных оценок эффективности второй стратегии, возникает вопрос о том, может ли она быть более эффективной? Другими словами, если цензура малоэффективна в борьбе с критикой правительства и его политики, то способна ли она препятствовать контенту, способствующему коллективным акциям? По какой причине стратегии цензуры могут иметь различную эффективность при том, что способы обхода ограничений являются универсальными? Для того, чтобы изучить этот вопрос, в настоящей работе применяется математическое моделирование. Построена динамическая модель, имеющая вид системы четырех уравнений с дискретным временем. С ней проведены численные эксперименты, показавшие, что основной эффект применения цензуры состоит в замедлении распространения контента. В случае критики властей, это замедление не играет существенной роли, поскольку интерес общества к таким темам, как коррупция или экономическое неравенство, является перманентным. Например, если цензура замедляет распространение сведений о коррумпированности некоторого чиновника, то политический эффект от этой цензуры является, как правило, незначительным. В противоположность этому, такой контент, как, например, призыв к участию в коллективной акции, актуален лишь в течение короткого времени. Поэтому замедление распространения контента такого рода имеет критическое значение. Тем самым, моделирование показывает, что применение цензуры по отношению к контенту, способствующему коллективным акциям, оказывается более эффективным, чем применение цензуры по отношению к критике правительства.

В работе рассматривается токенизация как ключевой этап обработки текстовых данных, особенно в финансовой сфере. Анализируются современные методы токенизации с примерами из последних исследований и их влияние на эффективность NLP-моделей. Исследование показывает, что алгоритмы токенизации по словам (BPE, WordPiece, Unigram) стали стандартом для языковых моделей благодаря гибкости и эффективности сжатия текста. Обсуждаются ограничения длины входной последовательности в языковых моделях (BPE и WordPiece демонстрируют склонность к избыточному разбиению, Unigram требует сложного обучения, а символьная токенизация создает чрезмерно длинные последовательности) и методы преодоления этих ограничений, включая разбиение текста на части, иерархическую обработку и экстраполяцию предобученных моделей с архитектурой трансформеров для работы с длинными входными данными. Для финансовых данных рекомендуется использование доменно-ориентированных токенизаторов или дообучение на специализированных системах, что подтверждается успешным опытом BloombergGPT. Особое внимание уделяется проблеме обработки длинных текстов. Предложены три под хода к решению: разделение текста на части; иерархическая обработка; экстраполяция моделей-трансформеров. В заключение подчеркивается значимость токенизации для финансовой аналитики, где качество обработки текста напрямую влияет на принятие решений. Развитие методов токенизации продолжается параллельно с совершен ствованием NLP-моделей, что делает этот этап обработки текста критически важным компонентом современных аналитических систем.