Новые статьи в рамках межкампусного проекта: уменьшение кодового расстояния и классификация изображений

В 2025 году в рамках проекта вышли две статьи, посвященные различным направлениям исследования.

Первая статья под авторством Воднева Александра Андреевича опубликована в журнале "Информационно-управляющие системы" и посвящена алгоритму построения матриц, уменьшающих расстояние кода. Её аннотация гласит следующее:

Введение: уменьшение кодового расстояния представляет собой важный инструмент для решения некоторых задач в теории информации и криптографии. Например, в криптографических кодовых системах, таких как система Мак-Элиса, снижение кодового расстояния напрямую влияет на уменьшение длины открытого ключа, что является критически важным фактором для повышения эффективности и применимости кодовых криптосистем. Цель: разработать алгоритм построения матриц, способный эффективно уменьшать расстояние кода. Результаты: предложен итерационный алгоритм, который формирует ряд маскирующих матриц, успешно уменьшающих расстояние заданного кода. Для проверки изложенного подхода был выбран код Боуза — Чоудхури — Хоквингхема и криптографическая система Мак-Элиса. Проведен ряд экспериментов, показывающих эффективность разработанного алгоритма. Суть экспериментов заключалась в применении к коду Боуза — Чоудхури — Хоквингхема разработанного алгоритма, после чего полученный код внедрялся в систему Мак-Элиса. Полученная криптосистема подвергалась атакам на основе декодирования по информационным совокупностям. Результаты экспериментов показали, что к преобразованным кодам неприменима атака на основе декодирования по информационным совокупностям, а вес порождающей матрицы нового кода, которая является частью открытого ключа, стал меньше. Практическая значимость: невозможность применить декодирование по информационным совокупностям позволяет уменьшить объем открытого ключа в криптосистеме, что представляет значительный интерес для практики использования кодовых криптосистем. Обсуждение: приложение алгоритма не ограничивается только криптографией. Он может быть применен для преобразования каналов передачи данных, обладающих памятью. Отметим, что для полноценного внедрения матриц, уменьшающих расстояние кода, в криптографические системы необходима проверка декодируемости вектора ошибок после обратного преобразования, что является предметом дальнейших исследований.

Вторая статья, посвященная устойчивой к выбросам классификации изображений, "Outliers Resistant Image Classification by Anomaly Detection" под авторством А. Сергеева, В. Минченкова, А. Солдатова, В. Какурина и Я. Мазикова опубликована в "Advances in Artificial Intelligence and Machine Learning". Её переведенная аннотация:

Автоматический мониторинг процессов ручной сборки в производственных условиях все чаще опирается на передовые технологии, в том числе модели компьютерного зрения. Эти модели предназначены для обнаружения и классификации таких событий, как наличие компонентов в зоне сборки и их соединение. Однако серьезной проблемой для алгоритмов обнаружения и классификации является их уязвимость к изменениям условий окружающей среды и их непредсказуемое поведение при столкновении с объектами, отсутствующими в обучающем наборе данных. В связи с непрактичностью включения всех потенциальных объектов в обучающую выборку, необходимы альтернативные решения. В данном исследовании представлена модель, которая сочетает классификацию с обнаружением аномалий путем использования метрического обучения для создания векторных представлений изображений в многомерном пространстве с последующей классификацией с использованием кросс-энтропии. Для этой цели был подготовлен набор данных, состоящий из более чем 327 000 изображений. Были проведены комплексные эксперименты с использованием различных моделей компьютерного зрения, результаты сравнены друг с другом.

Материалы уже доступны для чтения и обсуждения.