Дисертації (ОТ)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Нові надходження
Документ Відкритий доступ Research and development of self-supervised visual feature learning based on neural networks(Igor Sikorsky Kyiv Polytechnic Institute, 2024) Xu Jiashu; Stirenko, SergiiXu Jiashu. Research and development of self-supervised visual feature learning based on neural networks. - Qualified scientific work on the rights of the manuscript. Dissertation for the degree of Doctor of Philosophy in the specialty 121 - Software Engineering and 12 - Information Technologies. - National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", Kyiv, 2024. This Dissertation focuses on in-depth exploration into the design and development of self-supervised learning algorithms, which are a subset of unsupervised learning techniques that operate without the need for labeled datasets. These algorithms are particularly adept at pre-training models in an unsupervised manner, with the resultant models demonstrating performance on par with their supervised counterparts across a range of downstream applications. This method is particularly advantageous as it aims to mitigate the over-dependence on extensive data labeling that is typical within deep learning paradigms, thereby enhancing efficiency and practical utility in diverse real-world scenarios. The pertinence of selfsupervised learning algorithms is especially highlighted within the realm of medical image analysis. In this specialized field, the requisites for data annotation are not only laborious but also require a high degree of precision due to the critical nature of the data involved. The difficulty of obtaining accurate annotations is compounded by the scarcity of specialists capable of providing them, which in turn underscores the transformative potential of self-supervised learning approaches within this domain. In this dissertation, a cutting-edge self-supervised learning methodology is delineated, which employs the Mixup Feature as the reconstruction target within the pretext task. This pretext task is fundamentally designed to encapsulate visual representations by the prediction of Mixup features from masked image, utilizing these feature maps to extracting high-level semantic information. The dissertation delves into the validation of the Mixup Feature's role as a predictive target in selfsupervised learning frameworks. This investigation involved the meticulous calibration of the hyperparameter , integral to the Mixup Feature operation. Such adjustments allowed for the generation of amalgamated feature maps that encompass Sobel edge detection maps, Histogram of Oriented Gradients (HOG) maps, and Local Binary Pattern (LBP) maps, providing a rich, multifaceted representation of visual data. For the empirical application of this novel method, the visual transformer was selected as the principal architecture, due to its proficiency in handling complex visual inputs and its emphasis on critical image regions. This choice was further reinforced by the insights derived from the Masked AutoEncoder (MAE) approach, which illuminated the potential of utilizing partially visible inputs to reconstruct full images, thus enhancing the model's predictive capabilities in a self-supervised context. A denoising self-distillation Masked Autoencoder model for self-supervised learning was developed. This model synthesizes elements from Siamese Networks and Masked Autoencoders, incorporating a tripartite architecture that includes a student network in the form of a masked autoencoder, an intermediary regressor, and a teacher network. The underlying proxy task for this model is the restoration of input images that have been artificially corrupted with random Gaussian noise patches. This is a strategic choice designed to encourage the model to learn robust feature representations by distilling clean signals from noisy inputs. In doing so, the model is trained to reconstruction of the degraded image, effectively teaching it focus on the essence of the visual content. To ensure comprehensive learning, the model harnesses a dual loss function mechanism. One function is calibrated to reinforce the global contextual understanding of the image, thereby enabling the model to grasp the overall structure and scene configuration. Concurrently, the second function is tailored to refine the perception of intricate local details, ensuring that fine visual nuances are not lost in the process of denoising and reconstruction. Through this innovative approach, the model aspires to achieve a delicate balance between the macroscopic comprehension of visual scenes and the meticulous reconstruction of localized details, a balance that is pivotal for sophisticated image analysis tasks in self-supervised learning frameworks. An exhaustive analysis was executed to assess the experimental performance of two innovative self-supervised learning algorithms, specifically applied to three benchmark datasets: Cifar-10, Cifar-100, and STL-10. This study aimed to benchmark these algorithms against existing advanced self-supervised techniques grounded in Masked Image Modeling. In comparison to other state-of-the-art selfsupervised methods based on Masked Image Modeling, the mixed HOG-Sobel feature maps obtained using Mixup showed outstanding performance on Cifar-10 and STL-10 after full fine-tuning, with an average performance improvement of 0.4%. Additionally, the pre-trained model of the Deep Masked Autoencoder (DMAE) was subjected to a rigorous evaluation. When full fine-tuned on the STL-10 dataset, this model demonstrated a modest yet significant edge over the conventional Masked Autoencoder (MAE), exceeding its performance by a margin of 0.1%. This finding shed light on the potential of DMAE in enhancing model accuracy. Moreover, the study revealed that in comparison to traditional self-supervised learning strategies reliant on contrastive learning, the Mixup Feature method emerged as more efficient. It offered the advantage of shortened training durations and negated the requirement for conventional data augmentation methods, thus streamlining the learning process. In conclusion, the two self-supervised learning algorithms introduced in this research contribute to the expanding repertoire of methods for masked image modeling. Their demonstrated effectiveness on benchmark datasets illuminates their potential for broader applications, particularly in larger and more complex datasets. The application of these self-supervised learning algorithms was effectively expanded to encompass the domain of medical image analysis. This extension involved the utilization of self-supervised pre-training on specifically curated medical image datasets. Following this pre-training phase, the model thus developed was then employed for the downstream tasks. Empirical results from this study illustrate that the approach of self-supervised pre-training surpasses the efficacy of direct training methodologies. A notable enhancement in accuracy, exceeding 5%, was observed upon the Full fine-tuning of the model on the two downstream datasets. Data imbalance poses a substantial challenge in medical image analysis, as inadequate representation of specific conditions or features can negatively impact the efficacy of model training and feature extraction. Considering this, the study developed an imbalanced dataset and delved into the robustness of self-supervised pre-trained models in the context of data imbalance. The experimental findings underscore the superior robustness of self-supervised pre-training methods over from scrath trained models in addressing data imbalance issues. Particularly notable is their performance in scenarios with a positive to negative sample ratio of 1:8, where they exhibit enhanced robustness compared to traditional supervised Convolutional Neural Network (CNN) pre-trained models. These results affirm the effectiveness of our proposed self-supervised pre-trained models in tackling dataset imbalance challenges. The notable improvement in the robustness of self-supervised learning algorithms augments their potential as powerful tools in medical image analysis, suggesting a prospective enhancement in accuracy within intelligent assisted diagnostic systems.Документ Відкритий доступ Методи та засоби математичного моделювання руху рідин з використанням машинного навчання(КПІ ім. Ігоря Сікорського, 2023) Кузьмич, Валентин Анатолійович; Новотарський, Михайло АнатолійовичКузьмич В.А. Методи та засоби математичного моделювання руху рідин з використанням машинного навчання. - Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 123 – Комп’ютерна інженерія з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2023. Дисертаційна робота присвячена розробці дворівневого методу моделювання руху рідин на основі решітчастої моделі Больцмана та згорткової нейронної мережі, що дозволяє точно і ефективно моделювати рух нестисливих рідин. Решітчаста модель Больцмана - це математичний інструмент, який знаходить широке застосування в чисельному моделюванні руху газів та рідин. Вона ґрунтується на статистичних принципах та дозволяє моделювати рух частинок в рідині на основі їхньої взаємодії через взаємодію з іншими частинками та перешкодами. Решітчаста модель Больцмана дозволяє враховувати мікроскопічні взаємодії частинок та отримувати макроскопічні властивості рідини, такі як тиск, температура та швидкість. Машинне навчання - це область науки використовує алгоритми та моделі, які дозволяють комп'ютерам навчатися на даних та робити прогнози або приймати рішення без явного програмування. У контексті дослідження руху рідини, машинне навчання може бути використане для аналізу великих обсягів даних та побудови прогностичних моделей. Згорткові нейронні мережі є одним з типів моделей машинного навчання, які знайшли широке застосування в різних практичних сферах діяльності, таких як обробці зображень, включаючи аналіз руху рідини. Вони імітують спосіб, яким працює візуальний кортекс у людей, дозволяючи автоматично визначати особливості та закономірності в даних. Згорткові нейронні мережі здатні виявляти взаємозв'язки між частинами зображень та ефективно використовувати цю інформацію для розв'язання завдань, пов'язаних із рухом рідини. Поєднання обчислювальної гідромеханіки і машинного навчання відіграє ключову роль у вирішенні актуальних проблем і завдань в багатьох галузях науки та техніки. В різних наукових та технологічних сферах людської діяльності існують величезні вимоги до точності та ефективності моделювання руху рідин, особливо в важливих галузях, таких як аеродинаміка, морська гідродинаміка, автомобільна і космічна інженерія, біомедицина і багато інших. Розуміння та передбачення поведінки рідини є важливим елементом для оптимізації дизайну, підвищення продуктивності і зменшення витрат в цих галузях. Використання решітчастої моделі Больцмана у поєднанні з машинним навчанням відкриває нові можливості для точного та швидкого моделювання руху рідин. Такий підхід дозволяє знижувати обчислювальну складність та споживання ресурсів, що є критичним для великих і складних задач гідродинаміки. Особливо важливим є використання машинного навчання для автоматичного аналізу великих обсягів даних, отриманих під час моделювання, і для здатності виділяти з них ключові закономірності, які можуть бути важливими для подальшого удосконалення моделі. Запропоновано дворівневий метод моделювання руху рідини за допомогою решітчастої моделі Больцмана і згорткової нейронної мережі, що використовується для уточнення значень поля швидкостей на основі вирішення крайової задачі на основі рівняння Пуассона, який відрізняється від відомих методів тим, що зменшує час моделювання. Набув подальшого розвитку метод решітчастої моделі Больцмана за рахунок методу розпаралелювання на основі підходу domain decomposition та використання модифікованої рівноважної функції розподілу на основі мінімізації дискретної ентропії, яка відрізняється від відомих методів кращою безумовною лінійною стабільністю моделювання. Набув подальшого розвитку метод моделювання розв’язку крайової задачі на основі рівняння Пуассона для тиску, значення якого використовуються для корекції поля швидкості при моделюванні нестисливих рідин, на основі модифікованої нейронної мережі, що враховує геометрію обчислювального простору, який відрізняється від відомих методів можливістю обробки складних обчислювальних областей та обчислювальною швидкістю. Запропоновано адаптацію дворівневого методу моделювання руху рідини для використання на спеціальному обчислювальному пристрої, яка відрізняється тим, що забезпечує зменшення кількості обчислень для розробленої нейронної мережі при моделюванні розв’язку крайової задачі на основі рівняння Пуассона для тиску. У першому розділі здійснено огляд наукової літератури по тематиці досліджень. Розглянуті та описати основні типи методів моделювання руху рідин. Було виділено три основні типи підходів до моделювання руху рідин: методи моделювання на основі рівняння Нав'є-Стокса, методи LBM та методи машинного навчання. Був описаний їх загальний історичний розвиток, наведено загальні переваги та недоліки цих типів методів. Також окремо було розглянута література про методи розв'язання рівняння Пуассона, яке є важливою складовою в кожному з трьох згаданих вище підходах. Завдяки аналізу результатів першого розділу була сформована задача дисертаційного дослідження: розробка дворівневого методу моделювання руху потоку рідини, за допомогою методу LBM та машинного навчання. В другому розділі описується метод решітчастої моделі Больцмана: його місце в контексті рівнів абстракції опису рідини, теоретичне обгрунтування можливості застосування методу LBM для моделювання руху рідин та зв’язок між рівнянням Больцмана на рівнянням Нав’є-Стокса. Розглянуті та описані найбільш поширені чисельні схеми. Описані механізми задання початкових та граничних умов, що використовуються в методі LBM. Були розглянуті особливості задання притоку та витоку рідини, умови зворотного відображення, що моделює взаємодію потоку рідини з твердим тілом. Була описана модифікована рівноважна функція розподілу на основі мінімізації дискретної ентропії, що дозволяє досягти безумовну лінійну стабільність моделювання. Обгрунтовано необхідність уточнення поля швидкості за допомогою рівняння Пуассона для тиску під час моделювання руху нестисливих рідин методом LBM. В третьому розділі дисертації було досліджено особливості використання нейронних мереж для моделювання розв’язку крайової задачі на основі рівняння Пуассона. Оскільки нейронні мережі можуть задавати набагато складніші функції джерела, ніж традиційні аналітичні або чисельні методи, а також через чисельну ефективність нейронних мереж, Використання нейронних мереж для моделювання розв’язку рівняння Пуассона є обіцяючим підходом. Також були розглянуті ітераційні чисельні методи вирішення систем алгебраїчних рівнянь, які традиційно використовуються для моделювання розв’язку рівняння Пуассона. Доцільне їх використання для генерації навчального та тестового датасетів для нейронної мережі. Були розглянуті різні шари штучних нейронних мереж та функції активацій, які використовуються для досягнення бажаних результатів. Приведений загальний огляд процесу вирішення диференціальних рівнянь за допомогою штучних нейронних мереж. В четвертому розділі був розроблений дворівневий метод моделювання руху рідини за допомогою решітчастої моделі Больцмана та згорткової нейронної мережі. Була описана структура нейронної мережі для моделювання розв’язку крайової задачі на основі рівняння Пуассона, особливості генерації тренувального датасету для нейронної мережі, розглянуті особливості приведення результатів роботи нейронної мережі до значень тиску, який використовується для корекції значень поля швидкості в методі LBM. Детально описаний алгоритм дворівневого методу моделювання руху рідини, що складається з методу LBM, який використовує модифіковану рівноважну функцію розподілу, та з розробленої згорткової нейронної мережі для моделювання розв’язку крайової задачі на основі рівняння Пуассона. Розроблений масштабований паралельний алгоритм для дворівневого методу на основі підходу domain decomposition. Розглянуті види апаратних прискорювачів для штучних нейронних мереж. На основі їх переваг і недоліків, нейронна мережа була оптимізована під обраний прискорювач NPU. Для тестування розробленого методу було розроблене тестове програмне забезпечення для моделювання руху рідин в довільних обчислювальних просторах розміру 96 × 96, з можливістю зміни параметрів моделювання. В п’ятому розділі був проведений аналіз результатів моделювання руху рідин з допомогою розробленого дворівневого методу, який був реалізований в тестовому програмному забезпеченні. Результати експериментів підтвердили здатність розробленого дворівневого методу забезпечувати нестисливість рідини, в порівнянні зі звичайним методом LBM. Була досліджена точність нейронної мережі в порівнянні з чисельним методом. Була показана взаємна відповідність між ними. Були досліджені обчислювальна швидкість розробленого методу та вплив використання різних апаратних прискорювачів на швидкість обчислень. Дворівневий метод показав більш ніж у 6 разів кращу ефективність, ніж чисельний метод, при використанні GPU, та у 13 разів кращу ефективність, при використанні NPU. Розроблений метод дозволяє точно і ефективно моделювати рух нестисливих рідин та використовувати різні типи апаратних прискорювачів для збільшення швидкості обчислень згорткової нейронної мережі. Це має практичне значення для різних областей наукової та технічної діяльності, зокрема біомедична інженерія, моделювання руху рідин в гідротехнічних конструкціях.Документ Відкритий доступ Метод та програмні засоби мультимодального аналізу медичних даних на основі глибокого навчання(КПІ ім. Ігоря Сікорського, 2023) Шульга, Максим Володимирович; Гордієнко, Юрій ГригоровичШульга М.В. Метод та програмні засоби мультимодального аналізу медичних даних на основі глибокого навчання. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 – Інженерія програмного забезпечення з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2023. Дисертаційна робота присвячена розробці методу та програмних засобів мультимодального аналізу медичних даних на основі глибокого навчання, що дозволяє підвищити точність багатокласової класифікації. Останнім часом сфера медицини активно використовує можливості штучного інтелекту. Зокрема, глибокі нейронні мережі довели свою ефективність і придатність для автоматизованого виявлення та класифікації захворювань. Інтеграція методів штучного інтелекту має потенціал для оптимізації та покращення точності програм скринінгу шляхом автоматизації аналізу медичних даних, усуваючи необхідність безпосередньої участі медичного персоналу на етапі скринінгу. Нагальною проблемою в цьому контексті є діагностика діабетичної ретинопатії, поширеного ускладнення діабету, що призводить до погіршення зору серед дорослого населення світу. Отже, в даний час існує актуальна потреба в застосуванні підходу з використанням комп’ютерного зору та глибоких нейронних мереж для надання передових медичних послуг за допомогою штучного інтелекту, з особливим акцентом на класифікації діабетичної ретинопатії. Тема дисертаційної роботи входить в план наукової роботи затвердженому на кафедрі обчислювальної техніки КПІ ім. Ігоря Сікорського, що враховує розпорядження Кабінету Міністрів України від 2 грудня 2020 р. № 1556-р про схвалення Концепції розвитку штучного інтелекту в Україні. Метою дисертаційної роботи є підвищення точності багатокласової класифікації захворювань глибокими нейронними мережами, шляхом розробки методу мультимодального аналізу медичних даних. Об’єктом дослідження є процеси аналізу вимог, розробки, впровадження і супроводження програмного забезпечення для мультимодального аналізу медичних даних на основі глибокого навчання, які сприяють підвищенню точності визначення окремих класів для завдання багатокласової класифікації медичних даних; а предметом дослідження – методи і моделі розробки і супроводу програмного забезпечення для мультимодального аналізу медичних даних на основі глибоких нейронних мереж різної архітектури і способів організації додаткових модальностей. Методичною основою дослідження є системне опрацювання та аналіз теоретичного матеріалу, присвяченого підвищенню точності вирішення завдання багатокласової класифікації, шляхом аналізу медичних даних за допомогою моделей глибоких нейронних мереж. Для досягнення поставленої мети були вирішені такі завдання: - було досліджено сучасні методи та системи виявлення та багатокласової класифікації захворювань на прикладі діабетичної ретинопатії; - було виявлено шляхи покращення існуючих методів та систем виявлення та багатокласової класифікації захворювань на прикладі діабетичної ретинопатії; - було розроблено метод мультимодального аналізу медичних даних на основі доповнення метаданих; - було розвинуто спосіб підвищення точності багатокласової класифікації завдяки використанню методу мультимодального аналізу для різних архітектур згорткової компоненти нейронної мережі; - було розроблено метод недетермінованого штучного доповнення метаданих; - було розвинуто спосіб підвищення точності багатокласової класифікації завдяки використанню методу недетермінованого штучного доповнення метаданих для різних стандартних і спеціалізованих медичних наборів даних; - було розроблено математичний опис для оцінки підвищення точності багатокласової класифікації на різних стандартних і спеціалізованих медичних наборах даних. За результатами проведеного дослідження та згідно поставленого завдання було запропоновано комплексний метод мультимодального аналізу медичних даних на основі глибокого навчання, при розробці якого були проведені наступні дослідження: - дослідження доповнення метаданих для вирішення завдання багатокласової класифікації; - дослідження впливу складності мультимодальної моделі на вирішення завдання багатокласової класифікації; - дослідження недетермінованого доповнення метаданих для вирішення завдання багатокласової класифікації; - дослідження впливу мультимодального доповнення метаданих на точність багатокласової класифікації. Розглянуто проблему багатокласової класифікації для одномодальної (з введенням зображення) моделі та мультимодальної (з введенням зображення та тексту) моделі та створено кілька варіантів вхідних значень і відповідних моделей на основі аналізу способів та методів використання глибокого навчання для виявлення захворювань на прикладі діабетичної ретинопатії і аналізу існуючих методологій виявлення захворювань: одномодальна модель (SM) лише з вхідним зображенням і мультимодальні моделі з вхідними зображеннями та текстом, як-от мультимодальна модель із думкою пацієнта (MP), мультимодальна модель із думкою експерта (ME), мультимодальна модель із думкою пацієнта та експерта (MPE) та мультимодальна модель з недетермінованою думкою експерта (MMFE). Вплив додаткових даних, таких як суб'єктивна думка “пацієнта” про свій стан здоров'я та думка “експерта” (що забезпечує “витік даних”), може бути корисним у деяких практичних ситуаціях. Думки пацієнтів та експертів були імітовані додатковими (доповненими) даними, отриманими з змодельованих анкет. Проведено дослідження доповнення метаданих для вирішення завдання багатокласової класифікації, яке показало, що всі створені мультимодальні моделі (MP, ME, MPE) у порівнянні з одномодальною моделлю (SM) дозволили досягти різних статистично значущих покращень точності багатокласової класифікації за значенням площі під кривою похибок (AUC) для всіх класів у діапазоні від 4% до 27%, що виходять за межі стандартного відхилення 2-3% виміряного перехресною перевіркою. Проведено дослідження дослідження впливу складності мультимодальної моделі на вирішення завдання багатокласової класифікації, яке показало, що мультимодальна модель (MP) у порівнянні з одномодальною моделлю (SM) дозволила досягти різних статистично значущих покращень точності багатокласової класифікації за значенням AUC для деяких класів у діапазоні від 15% до 26% (в залежності від складності архітектури згорткової компоненти нейронної мережі), що виходять за межі стандартного відхилення 3-8% виміряного перехресною перевіркою. Проведено дослідження недетермінованого доповнення метаданих для вирішення завдання багатокласової класифікації, яке показало, що мультимодальна модель (MMFE) у порівнянні з одномодальною моделлю (SM) дозволила досягти різних статистично значущих покращень точності багатокласової класифікації за значенням AUC у діапазоні від 12% до 26%. Наведено теоретичні оцінки можливих (найкращих – коли точність за класами підвищується на сумарну похибку точності за окремими класами для одномодальної моделі, де похибку вдається зменшити завдяки застосуванню маркування у додатковій модальності; проміжних – коли точність за класами підвищується на сумарну похибку точності, помножену на функцію розподілу ймовірностей, де продемонстровано можливу залежність покращення від середньої точності для одномодальної моделі; і найгірших – коли точність за класами не підвищується взагалі) рівнів покращення точності багатокласової класифікації за допомогою простого математичного опису з акцентом на деяких практичних випадках. На основі теоретичних оцінок проведено дослідження впливу мультимодального доповнення метаданих на точність багатокласової класифікації з використанням різних стандартних (CIFAR10) і спеціалізованих медичних (PathMNIST, RetinaMNIST) наборів даних, яке показало, що точність мультимодальних моделей значно змінюється залежно від складності набору даних, розміру вибірки та мінливості даних. Запропоновано комплексний метод мультимодального аналізу медичних даних на основі глибокого навчання, який полягає у використанні “витоку даних” на крайніх і подібних класах, що дозволяє підвищити точність визначення окремих класів для вирішення завдань багатокласової класифікації. Проведено аналіз результатів використання запропонованого комплексного методу мультимодального аналізу медичних даних, який показав, що запропонований метод на відміну від існуючих рішень за рахунок використання додаткових модальностей на основі доповнення метаданих дозволив отримати підвищення точності визначення окремих класів для завдань багатокласової класифікації захворювань на 4-27% у порівняння зі стандартним одномодальним підходом для розглянутих ідентичних наборів даних і архітектур нейронних мереж.Документ Відкритий доступ Метод адаптації глибоких нейронних мереж до апаратного забезпечення зі спеціалізованою архітектурою(КПІ ім. Ігоря Сікорського, 2022) Таран, Владислав Ігорович; Гордієнко, Юрій ГригоровичДокумент Відкритий доступ Методи і засоби підвищення ефективності ідентифікації користувачів розподілених систем(2017) Захаріудакіс, Лефтеріс; Стіренко, Сергій ГригоровичДокумент Відкритий доступ Способи організації сумісного доступу до розподілених сторінок пам'яті в системах хмарних обчислень(2017) Гусєв, Євген Ігорович; Кулаков, Юрій Олексійович; Кафедра обчислювальної техніки; Факультет інформатики та обчислювальної техніки; Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»Документ Відкритий доступ Способ многопутевой маршрутизации в компьютерных сетях большой размерности(2017) Диброва, Михаил Александрович; Кулаков, Юрий Алексеевич; Вычислительной техники; Информатики и вычислительной техники; Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского»Документ Відкритий доступ Методи та засоби підвищення ефективності обробки інформації в реконфігуровних комп’ютерних системах на базі ПЛІС(2017) Клименко, Ірина Анатоліївна; Луцький, Георгій Михайлович; Обчислювальної техніки; Інформатики та обчислювальної техніки; Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»