Поиск :
Личный кабинет :
Электронный каталог: Трофимов, Ю.В. - Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объясни...
Трофимов, Ю.В. - Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объясни...

Статья
Автор: Трофимов, Ю.В.
Вестник Тверского государственного университета. Серия: Прикладная математика: Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объясни...
б.г.
ISBN отсутствует
Автор: Трофимов, Ю.В.
Вестник Тверского государственного университета. Серия: Прикладная математика: Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объясни...
б.г.
ISBN отсутствует
Статья
Трофимов, Ю.В.
Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объяснимость и каузальная валидация / Ю.В.Трофимов, [и др.]. – Текст : 'электронный // Вестник Тверского государственного университета. Серия: Прикладная математика. – 2026. – № 1. – С. 89-137. – URL: https://doi.org/10.26456/vtpmk773. – Библиогр.: 65.
В работе решается проблема объяснимости диффузионных моделей типа DDPM для медицинской диагностики через разработку математически строгой системы временной атрибуции. Существующие методы XAI не учитывают стохастическую динамику итеративных генеративных процессов и специфику формирования диагностически значимых признаков в процессе денойзинга. Предложена адаптация фреймворка TimeSHAP для диффузионных процессов — метод TimeSHAP-Diff, расширяющий классические значения Шепли на временную размерность стохастических генеративных моделей через временную функцию ценности v&sup(t) : 2&sup(T) *> R. Доказана математическая консистентность подхода через выполнение аксиом эффективности, симметрии, нулевого игрока и аддитивности. Экспериментальная валидация на датасете ISIC2018 (10,015 дерматоскопических изображений, 7 классов) продемонстрировала эффективность диффузионной компенсации дисбаланса классов: коэффициент дисбаланса снижен с 58.30 до 1.49 (улучшение 97.4%), accuracy повышена с 93.2% до 97.1%. Оптимально сбалансированный датасет обеспечил 100% выполнение аксиом Шепли против 42.9% для синтетических данных. Каузальная валидация через контрафактуальные интервенции подтвердила статистически значимую разность влияния регионов важности (*DCFI=0.711, p<0.001). Выявлены класс-специфичные временные профили формирования диагностических признаков: раннее проявление для меланомы (t ≈ 900) и запаздывающая консолидация для редких классов (t>950). Практическая значимость подтверждается созданием открытых систем SYNT_ISIC и CAS_ISIC с полной воспроизводимостью результатов для клинических приложений
Спец.(статьи,препринты) = Ц 849 - Искусственный интеллект. Теория и практика
ОИЯИ = ОИЯИ (JINR)2026
Трофимов, Ю.В.
Временная атрибуция в стохастических диффузионных процессах: математическая формализация, объяснимость и каузальная валидация / Ю.В.Трофимов, [и др.]. – Текст : 'электронный // Вестник Тверского государственного университета. Серия: Прикладная математика. – 2026. – № 1. – С. 89-137. – URL: https://doi.org/10.26456/vtpmk773. – Библиогр.: 65.
В работе решается проблема объяснимости диффузионных моделей типа DDPM для медицинской диагностики через разработку математически строгой системы временной атрибуции. Существующие методы XAI не учитывают стохастическую динамику итеративных генеративных процессов и специфику формирования диагностически значимых признаков в процессе денойзинга. Предложена адаптация фреймворка TimeSHAP для диффузионных процессов — метод TimeSHAP-Diff, расширяющий классические значения Шепли на временную размерность стохастических генеративных моделей через временную функцию ценности v&sup(t) : 2&sup(T) *> R. Доказана математическая консистентность подхода через выполнение аксиом эффективности, симметрии, нулевого игрока и аддитивности. Экспериментальная валидация на датасете ISIC2018 (10,015 дерматоскопических изображений, 7 классов) продемонстрировала эффективность диффузионной компенсации дисбаланса классов: коэффициент дисбаланса снижен с 58.30 до 1.49 (улучшение 97.4%), accuracy повышена с 93.2% до 97.1%. Оптимально сбалансированный датасет обеспечил 100% выполнение аксиом Шепли против 42.9% для синтетических данных. Каузальная валидация через контрафактуальные интервенции подтвердила статистически значимую разность влияния регионов важности (*DCFI=0.711, p<0.001). Выявлены класс-специфичные временные профили формирования диагностических признаков: раннее проявление для меланомы (t ≈ 900) и запаздывающая консолидация для редких классов (t>950). Практическая значимость подтверждается созданием открытых систем SYNT_ISIC и CAS_ISIC с полной воспроизводимостью результатов для клинических приложений
Спец.(статьи,препринты) = Ц 849 - Искусственный интеллект. Теория и практика
ОИЯИ = ОИЯИ (JINR)2026
На полку