магистерская диссертация / ВКРМ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1.Hunt E.B., Marin J., Stone P.J. Experiments in Induction. − New York : Academic Press, 1966. − 247 p.

2.Лбов Г.С. Методы обработки разнотипных экспериментальных данных. − Новосибирск : Наука, 1981. − 160 с.

3.Murthy S.K. Automatic construction of decision trees from data: a multidisciplinary survey // Data Mining and Knowledge Discovery. − 1998. − Vol. 2,

№4. − P. 345–389.

4.Morgan J.N., Sonquist J.A. Problems in the analysis of survey data, and a proposal // Journal of the American Statistical Association. − 1963. − Vol. 58,

№302. − P. 415–434.

5.Kass G.V. An exploratory technique for investigating large quantities of categorical data // Applied Statistics. − 1980. − Vol. 29, № 2. − P. 119–127.

6.Loh W.-Y., Shih Y.-S. Split selection methods for classification trees // Statistica Sinica. − 1997. − Vol. 7, № 4. − P. 815–840.

7.Breiman L., Friedman J., Olshen R., Stone C. Classification and Regression Trees. − Belmont, CA : Wadsworth, 1984. − 358 p.

8.Хасти Т., Тибширани Р., Фридман Дж. Основы статистического обучения: интеллектуальный анализ данных, логический вывод и прогнозирование : пер. с англ. − М. : ДМК Пресс, 2020. − 768 с.

9.Quinlan J.R. Induction of decision trees // Machine Learning. − 1986. − Vol. 1,

№1. − P. 81–106.

10.Quinlan J.R. C4.5: Programs for Machine Learning. − San Mateo, CA : Morgan Kaufmann, 1993. − 302 p.

11.Loh W.-Y. Fifty years of classification and regression trees // International Statistical Review. − 2014. − Vol. 82, № 3. − P. 329–348.

12.Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных : пер. с англ. − М. : ДМК Пресс, 2015. − 400 с.

96

13.Breiman L. Heuristics of instability and stabilization in model selection // The Annals of Statistics. − 1996. − Vol. 24, № 6. − P. 2350–2383.

14.Воронцов К.В. Машинное обучение : курс лекций. − М. : Изд-во Яндекса,

2023. − 380 с. (сверить выходные данные)

15.Geman S., Bienenstock E., Doursat R. Neural networks and the bias/variance dilemma // Neural Computation. − 1992. − Vol. 4, № 1. − P. 1–58.

16.Dietterich T.G. Ensemble methods in machine learning // Multiple Classifier Systems. − Berlin : Springer, 2000. − P. 1–15. − (Lecture Notes in Computer Science ; vol. 1857).

17.Breiman L. Bagging predictors // Machine Learning. − 1996. − Vol. 24, № 2. −

P. 123–140.

18.Efron B. Bootstrap methods: another look at the jackknife // The Annals of Statistics. − 1979. − Vol. 7, № 1. − P. 1–26.

19.Efron B., Tibshirani R.J. An Introduction to the Bootstrap. − New York : Chapman & Hall, 1993. − 436 p.

20.Breiman L. Random Forests // Machine Learning. − 2001. − Vol. 45, № 1. − P. 5–32.

21.Чистяков С.П. Случайные леса: обзор // Труды Карельского научного центра РАН. − 2013. − № 1. − С. 117–136.

22.Wolpert D.H. Stacked generalization // Neural Networks. − 1992. − Vol. 5, №

2. − P. 241–259.

23.Ho T.K. The random subspace method for constructing decision forests // IEEE Transactions on Pattern Analysis and Machine Intelligence. − 1998. − Vol. 20,

№ 8. − P. 832–844.

24.Geurts P., Ernst D., Wehenkel L. Extremely randomized trees // Machine Learning. − 2006. − Vol. 63, № 1. − P. 3–42.

25.Rodriguez J.J., Kuncheva L.I., Alonso C.J. Rotation Forest: a new classifier ensemble method // IEEE Transactions on Pattern Analysis and Machine Intelligence. − 2006. − Vol. 28, № 10. − P. 1619–1630.

97

26.Jacobs R.A., Jordan M.I., Nowlan S.J., Hinton G.E. Adaptive mixtures of local experts // Neural Computation. − 1991. − Vol. 3, № 1. − P. 79–87.

27.Krogh A., Vedelsby J. Neural network ensembles, cross validation, and active learning // Advances in Neural Information Processing Systems 7. − Cambridge, MA : MIT Press, 1995. − P. 231–238.

28.Kearns M., Valiant L.G. Cryptographic limitations on learning Boolean formulae and finite automata // Proceedings of the 21st Annual ACM Symposium on Theory of Computing. − New York : ACM, 1989. − P. 433–444.

29.Schapire R.E. The strength of weak learnability // Machine Learning. − 1990. −

Vol. 5, № 2. − P. 197–227.

30.Mason L., Baxter J., Bartlett P.L., Frean M. Boosting algorithms as gradient descent // Advances in Neural Information Processing Systems 12. − Cambridge, MA : MIT Press, 2000. − P. 512–518.

31.Schapire R.E., Freund Y. Boosting: Foundations and Algorithms. − Cambridge, MA : MIT Press, 2012. − 526 p.

32.Freund Y., Schapire R.E. A decision-theoretic generalization of on-line learning and an application to boosting // Journal of Computer and System Sciences. − 1997. − Vol. 55, № 1. − P. 119–139.

33.Natekin A., Knoll A. Gradient boosting machines, a tutorial // Frontiers in Neurorobotics. − 2013. − Vol. 7. − Article 21.

34.Schapire R.E., Freund Y., Bartlett P., Lee W.S. Boosting the margin: a new explanation for the effectiveness of voting methods // The Annals of Statistics.

− 1998. − Vol. 26, № 5. − P. 1651–1686.

35.Friedman J., Hastie T., Tibshirani R. Additive logistic regression: a statistical view of boosting // The Annals of Statistics. − 2000. − Vol. 28, № 2. − P. 337– 407.

36.Бишоп К.М. Распознавание образов и машинное обучение : пер. с англ. − М. : ДМК Пресс, 2020. − 956 с.

98

37.Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. − 2001. − Vol. 29, № 5. − P. 1189–1232.

38.Friedman J.H., Popescu B.E. Predictive learning via rule ensembles // The Annals of Applied Statistics. − 2008. − Vol. 2, № 3. − P. 916–954.

39.Friedman J.H. Stochastic gradient boosting // Computational Statistics & Data Analysis. − 2002. − Vol. 38, № 4. − P. 367–378.

40.Bühlmann P., Hothorn T. Boosting algorithms: regularization, prediction and model fitting // Statistical Science. − 2007. − Vol. 22, № 4. − P. 477–505.

41.Сергиенко А.Б. Применение байесовской оптимизации для подбора гиперпараметров алгоритмов машинного обучения // Программная инженерия. − 2019. − Т. 10, № 5. − С. 211–219. (сверить)

42.Bartlett P.L., Traskin M. AdaBoost is consistent // Journal of Machine Learning Research. − 2007. − Vol. 8. − P. 2347–2368.

43.Chen T., Guestrin C. XGBoost: a scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. − New York : ACM, 2016. − P. 785–794.

44.Ke G., Meng Q., Finley T. [et al.] LightGBM: a highly efficient gradient boosting decision tree // Advances in Neural Information Processing Systems 30. − Curran Associates, 2017. − P. 3146–3154.

45.Prokhorenkova L., Gusev G., Vorobev A. [et al.] CatBoost: unbiased boosting with categorical features // Advances in Neural Information Processing Systems 31. − Curran Associates, 2018. − P. 6638–6648.

46.Bentéjac C., Csörgő A., Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms // Artificial Intelligence Review. − 2021. − Vol. 54, № 3. −

P. 1937–1967.

47.Воронков А.А. Сравнительный анализ градиентного бустинга на табличных данных // Программные продукты и системы. − 2021. − Т. 34, № 3. − С. 444–453. (сверить)

99

48.Tyree S., Weinberger K.Q., Agrawal K., Paykin J. Parallel boosted regression trees for web search ranking // Proceedings of the 20th International Conference on World Wide Web. − New York : ACM, 2011. − P. 387–396.

49.Fisher W.D. On grouping for maximum homogeneity // Journal of the American Statistical Association. − 1958. − Vol. 53, № 284. − P. 789–798.

50.Дорогуш А.В., Ершов В., Гулин А. CatBoost: градиентный бустинг с поддержкой категориальных признаков // Открытые системы. СУБД. −

2018. − № 3. − С. 24–27. (сверить)

51.Lou Y., Obukhov M. BDT: gradient boosted decision tables for high accuracy and scoring efficiency // Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. − New York : ACM, 2017. − P. 1893–1901.

52.Sagi O., Rokach L. Ensemble learning: a survey // WIREs Data Mining and Knowledge Discovery. − 2018. − Vol. 8, № 4. − Article e1249.

53.Utgoff P.E. An improved algorithm for incremental induction of decision trees // Machine Learning: Proceedings of the Eleventh International Conference. − San Francisco : Morgan Kaufmann, 1994. − P. 318–325.

54.Utgoff P.E., Brodley C.E. An incremental method for finding multivariate splits for decision trees // Proceedings of the Seventh International Conference on Machine Learning. − San Francisco : Morgan Kaufmann, 1990. − P. 58–65.

55.Лукасевич Я. О трёхзначной логике // Логические исследования : пер. с польск. − М. : Прогресс, 1959. − С. 88–91.

56.Post E.L. Introduction to a general theory of elementary propositions // American Journal of Mathematics. − 1921. − Vol. 43, № 3. − P. 163–185.

57.Kleene S.C. Introduction to Metamathematics. − Amsterdam : North-Holland, 1952. − 550 p.

58.Бочвар Д.А. Об одном трёхзначном исчислении и его применении к анализу парадоксов классического расширенного функционального исчисления // Математический сборник. − 1938. − Т. 4, № 2. − С. 287–308.

100

59.Zadeh L.A. Fuzzy sets // Information and Control. − 1965. − Vol. 8, № 3. − P. 338–353.

60.Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближённых решений : пер. с англ. − М. : Мир, 1976. − 165 с.

61.Карпенко А.С. Многозначные логики. − М. : Наука, 1997. − 224 с. − (Логика и компьютер ; вып. 4).

62.Поспелов Д.А. Многозначные логики и их применение в искусственном интеллекте // Логические методы в искусственном интеллекте. − М. : Радио и связь, 1985. − С. 23–67.

63.Hurst S.L. Multiple-valued logic − its status and its future // IEEE Transactions on Computers. − 1984. − Vol. C-33, № 12. − P. 1160–1179.

64.Hayes B. Third base // American Scientist. − 2001. − Vol. 89, № 6. − P. 490– 494.

65.Лидл Р., Нидеррайтер Г. Конечные поля : в 2 т. : пер. с англ. − М. : Мир,

1988. − 822 с.

66.Epstein G. The lattice theory of Post algebras // Transactions of the American Mathematical Society. − 1960. − Vol. 95, № 2. − P. 300–317.

67.Flajolet P., Sedgewick R. Analytic Combinatorics. − Cambridge : Cambridge University Press, 2009. − 810 p.

68.Вапник В.Н., Червоненкис А.Я. Теория распознавания образов: статистические проблемы обучения. − М. : Наука, 1974. − 416 с.

69.Vapnik V.N. The Nature of Statistical Learning Theory. − New York : Springer, 1995. − 188 p.

70.Брусенцов Н.П., Маслов С.П., Розин В.П., Тишулина А.М. Малая цифровая вычислительная машина «Сетунь». − М. : Изд-во Московского университета, 1965. − 102 с.

71.Брусенцов Н.П. Электронные цифровые машины. − М. : Изд-во МГУ, 1962. − 168 с.

101

72.Малиновский Б.Н. История вычислительной техники в лицах. − Киев : КИТ, 1995. − 384 с.

73.Курбатский А.Н., Брусенцов Н.П. Тернарная компьютерная архитектура и её перспективы // Информационные технологии. − 2009. − № 12. − С. 21–

28. (сверить)

74.Smith K.C. The prospects for multivalued logic: a technology and applications view // IEEE Transactions on Computers. − 1981. − Vol. C-30, № 9. − P. 619– 634.

75.Кнут Д.Э. Искусство программирования. Т. 2: Получисленные алгоритмы : пер. с англ. − 3-е изд. − М. : Вильямс, 2007. − 832 с.

76.Bentley J.L., Sedgewick R. Fast algorithms for sorting and searching strings // Proceedings of the 8th Annual ACM-SIAM Symposium on Discrete Algorithms. − Philadelphia : SIAM, 1997. − P. 360–369.

77.Manning C.D., Raghavan P., Schütze H. Introduction to Information Retrieval. − Cambridge : Cambridge University Press, 2008. − 482 p.

78.Финн В.К. О некоторых семантических свойствах многозначных логик // Логические исследования. − М. : Наука, 1998. − Вып. 5. − С. 41–64.

79.Wang Y., Hu Z., Sanders B.C., Kais S. Qudits and high-dimensional quantum computing // Frontiers in Physics. − 2020. − Vol. 8. − Article 589504.

80.Li F., Zhang B., Liu B. Ternary Weight Networks [Электронный ресурс] // arXiv.org. − URL: https://arxiv.org/abs/1605.04711 (дата обращения: 24.04.2025).

81.Zhu C., Han S., Mao H., Dally W.J. Trained Ternary Quantization // International Conference on Learning Representations. − Toulon, 2017. − 10 p.

82.Гузий А.Г., Гулин А.В. Тернарные нейронные сети: обзор и сравнительный анализ // Информационные технологии. − 2020. − Т. 26, № 5. − С. 257–266.

(сверить)

83.Brodley C.E., Utgoff P.E. Multivariate decision trees // Machine Learning. − 1995. − Vol. 19, № 1. − P. 45–77.

102

84.Bertsimas D., Dunn J. Optimal classification trees // Machine Learning. − 2017.

− Vol. 106, № 7. − P. 1039–1082.

85.Norouzi M., Collins M., Johnson M.A. [et al.] Efficient non-greedy optimization of decision trees // Advances in Neural Information Processing Systems 28. − Curran Associates, 2015. − P. 1729–1737.

86.Молнар К. Интерпретируемое машинное обучение : пер. с англ. − СПб. : Питер, 2022. − 416 с.

87.Lou Y., Caruana R., Gehrke J., Hooker G. Accurate intelligible models with pairwise interactions // Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. − New York : ACM, 2013. − P. 623–631.

88.Воронцов К.В. Комбинаторная теория надёжности обучения по прецедентам // Известия РАН. Теория и системы управления. − 2010. − Т. 49, № 5. − С. 770–790.

89.Вигерс К., Битти Дж. Разработка требований к программному обеспечению : пер. с англ. − 3-е изд. − СПб. : БХВ-Петербург, 2014. − 736

с.

90.Страуструп Б. Язык программирования C++ : пер. с англ. − М. : Бином,

2011. − 1136 с.

91.Маккинни У. Python и анализ данных : пер. с англ. − М. : ДМК Пресс, 2020. − 540 с.

92.Pedregosa F., Varoquaux G., Gramfort A. [et al.] Scikit-learn: machine learning in Python // Journal of Machine Learning Research. − 2011. − Vol. 12. − P. 2825–2830.

93.Хеннесси Дж., Паттерсон Д. Компьютерная архитектура: количественный подход : пер. с англ. − М. : Техносфера, 2016. − 936 с.

103

ПРИЛОЖЕНИЕ А

Код разработанной библиотек и другие файлы проекта доступны по ссылке: https://github.com/ajuga-reptans/tgmb

Рисунок А.1 – Ссылка на github проекта в формате QR-кода

104