Namen raziskave je bil ugotoviti, kateri matematični model se najbolje prilega učni krivulji umetnega učenca, temelječega na algoritmu C4.5. Implementacija J48 je bila uporabljena na 121 javno dostopnih podatkovnih zbirkah v koračni k-kratni navzkrižni validaciji. Štirje različni modeli (potenčni, eksponentni, linearni, logaritemski) so bili uporabljeni za primerjavo izmerjenih vrednosti. Povprečna kvadrirana napaka je znašala 0,052954 za eksponentno funkcijo in je bila ob P=0,001 statistično signifikantno nižja od napake za potenčno in logaritemsko funkcijo. Naš rezultat je skladen z raziskavami, ki so bile opravljene na človeku kot učencu (delo Heathcote et al, ki kažejo, da je eksponentna funkcija najprimernejša za opazovanje individualnega učenca; isto torej velja tudi za umetnega).
COBISS.SI-ID: 18250006
Razvili smo inovativen protokol za overjanje in izmenjavo ključev za heterogena ad-hoc brezžična senzorska omrežja. Predlagan protokol omogoča, da oddaljen uporabnik varno vzpostavi sejni ključ s centralnim senzorskim vozliščem s pomočjo »lahkega« protokola za izmenjavo ključev. Zagotavlja dvo-stransko overjanje tako uporabnika kot senzorskega vozlišča in prehodnega vozlišča (GWN), brez, da uporabnik kadarkoli neposredno komunicira z GWN. Predlagana rešitev je prilagojena omejeni arhitekturi brezžičnih senzorskih omrežij in zato uporablja samo operacije ekskluzivni ali in zgoščevalne funkcije. Protokol torej rešuje izzive in tveganja, ki jih poraja internet stvari in zagotavlja varno ter učinkovito delovanje.
COBISS.SI-ID: 17757974
Ta pregledni izvirni znanstveni članek naslavlja položaje področij računalnikov, računalniške inteligence in komunikacij znotraj IFAC (Mednarodnega združenja za avtomatsko vodenje). V nadaljevanju obravnava vlogo računalniške inteligence v vodenju. Osredotoča se na štiri področja znotraj te domene: nevronske mreže, mehko vodenje, strojno učenje in vmesniki med možgani in strojem. Za ta področja so podani izzivi in najpomembnejši teoretični prispevki, kakor tudi pričakovane bodoče smernice.
COBISS.SI-ID: 18142742
Zagotavljanje kakovosti XML Shem med njihovo gradnjo je pomemben člen življenjskega cikla razvoja programske opreme, tesno povezanega s strukturo XML Shem ter različnimi gradbenimi elementi. Razvili smo nov pristop merjenja kakovosti XML Shem, ki temelji na obstoječih metrikah iz programskega inženirstva, nadgrajenimi z definicijo dodatnih vidikov kakovosti XML Shem v naslednjih korakih: (1) definicija šest vidikov kakovosti XML Shem, (2) sprejetje 25 neposredno merljivih spremenljivk XML Shem, (3) predlog šest sestavljenih metrik, ki vključujejo 25 izbranih spremenljivk, (4) celostna validacija metrik. Izvedeni eksperiment je vključeval analizo 250 standardnih XML Shem, pridobljenih iz poslovnih informacijskih sistemov. Rezultati ilustrirajo vpliv nekaterih lastnosti XML Shem na njihovo kakovost in vrednotijo uporabnost metrik v procesu merjenja kakovosti XML Shem.
COBISS.SI-ID: 18203926
Statistično veljaven vzorec ni potreben za proces klasifikacije, zadošča vzorčenje in sprotna gradnja klasifikacijskega modela na delnih podatkih. Količina podatkov je odvisna od algoritma, internih struktur v podatkih in konteksta. Raziskali in predstavili smo generalizacijsko funkcijo napake pri učenju z malim številom vzorcev in modificirano adaptivno inkrementalno k.-kratno navzkižno validacijsko metodo. Pomemben del te metode so pogoji za detekcijo točke, kjer se učna krivulja prične lepo obnašati - torej točka, kjer je primerno ustaviti postopek učenja.
COBISS.SI-ID: 18160918