Аудитована потокова підтримка прийняття рішень для мультимодальних часових рядів із паспортом рішення за дрейфу та деградації модальностей
| dc.contributor.author | Узун І. С. | |
| dc.contributor.author | Uzun Illia S. | |
| dc.date.accessioned | 2026-10-05T07:56:53Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Мета. Подати системну демонстрацію аудитованої потокової підтримки прийняття рішень для мультимодальних часових рядів, у якій злиття, адаптація та сигналізація аномалій керуються явними керувальними модулями і фіксуються у форматі паспорта рішення, придатного для оператора. Методика. Побудовано мінімальний потоковий конвеєр із чотирма керувальними модулями: онлайн-оцінювання надійності модальностей, надійнісно-кероване злиття, подієва параметро-ефективна мікроадаптація в межах бюджетів оновлень та виявлення аномалій за фіксованого бюджету частки хибних тривог. Оцінювання виконано у каузальному онлайн-протоколі на контрольованому стрес-сценарії, що поєднує концептуальний дрейф і тимчасову деградацію модальності; у деградовану модальність інжектовано сегментні пропуски з рівнем p = 090. , а для тривог застосовано бюджет частки хибних тривог 005. На кожному кроці формується запис паспорта рішення, який пов’язує надійність, ваги злиття, події дрейфу та мікроадаптації, а також скор аномальності із результативним прогнозом і станом сигналізації. Результати. У стрес-протоколі сегментних пропусків p = 090. (модальність 2) інтегрований конвеєр зменшує середню абсолютну похибку відносно наївного злиття рівних ваг на 35 0.% у домені енергоспоживання (реалістично синтетичний генератор) та на 93 1.% у домені ринку Bitcoin/долар США (усереднення за 10 незалежними запусками). У репрезентативному синтетичному запуску сигнал надійності має площу під кривою робочої характеристики приймача 0 983. та очікувану помилку калібрування 0 029. ; за бюджету частки хибних тривог 005. надійнісно-обмежене виявлення аномалій забезпечує повноту 0 311. за фіксованої частки хибних тривог та площу під кривою «точність–повнота» 0 287. . У цьому ж запуску зафіксовано 10 тригерів дрейфу та 10 мікроадаптацій, що змінюють апріорну вагу злиття з 0.000 до 0.634 у межах бюджетованих оновлень. Наукова новизна. Запропоновано специфікацію паспорта рішення як аудитованого артефакту, що пов’язує докази якості даних, керувальні дії та вихідні сигнали в єдиному потоковому циклі та забезпечує відтворюваний ланцюг «спостереження – інтервенція – рішення». Практична значимість. Показано, що паспорт рішення та артефакти запуску підтримують підзвітні операторські процедури у потоковому моніторингу: рішення можна перевіряти постфактум, а бюджети й пороги можна налаштовувати на основі журналів без зміни заданого контракту сигналізації. Це зменшує ризик неконтрольованих змін у експлуатації та підтримує відтворюваний розбір інцидентів і порівняння альтернативних налаштувань. | |
| dc.description.abstracteng | Objective. To present a system-level demonstration of auditable streaming decision support for multimodal time series in which fusion, adaptation, and anomaly signaling are governed by explicit control modules and recorded as an operator-readable decision passport. Methodology. A minimal streaming pipeline is constructed around four control modules: online estimation of modality reliability, reliability-driven fusion, event-triggered parameter-efficient micro-adaptation under bounded update budgets, and anomaly signaling under a fixed false-alarm budget. The evaluation follows a causal online protocol and a controlled stress scenario that combines concept drift with temporary modality degradation; segment missingness with level p = 090. is injected into one modality and a false-alarm budget of 005. is enforced for anomaly alerts. At each time step, a compact audit record is emitted, linking reliability estimates, fusion weights, drift and adaptation markers, and anomaly scores to the resulting forecast and alert state. Results. In the stress protocol with segment missingness p = 090. in modality 2, the integrated pipeline reduces mean absolute error relative to equal-weights fusion (naive baseline) by 35 0.% in an energy-consumption generator domain and by 93 1.% in the Bitcoin-to-US-dollar market domain (means across 10 independent runs). In a representative synthetic stress run, the modality-reliability signal achieves an area under the receiver operating characteristic curve of 0 983. with an expected calibration error of 0 029. ; under the false-alarm budget 005. , anomaly signaling reaches recall 0 311. and an area under the precision–recall curve of 0 287. . In the same run, ten drift triggers lead to ten microadaptation actions and update the prior fusion skill weight from 0.000 to 0.634, illustrating budgeted intervention under non-stationarity. Scientific novelty. The contribution is a decision passport specification that links data-quality evidence, control actions, and output signals within a single auditable streaming loop, enabling traceability from observations to interventions and alarms. Practical significance. The demonstrated pipeline supports accountable operator workflows in streaming monitoring by making control decisions inspectable and reproducible, and by providing artifact-based evidence for tuning budgets and thresholds without changing the declared decision contract. This makes post-incident review feasible and enables conservative tuning of budgets and gates using logged artifacts, rather than ad-hoc reconfiguration. | |
| dc.identifier.citation | Узун, І. С. Аудитована потокова підтримка прийняття рішень для мультимодальних часових рядів із паспортом рішення за дрейфу та деградації модальностей = Auditable streaming decision support for multimodal time series with an operator-ready decision passport under drift and modality degradation / І. С. Узун // Зб. наук. пр. НУК. – Миколаїв : Гельветика, 2026. – № 1 (504), т. 2. – С. 133–141. | |
| dc.identifier.issn | 2311-3405 (Print) | |
| dc.identifier.issn | 2313-0415 (Online) | |
| dc.identifier.uri | https://eir.nuos.edu.ua/handle/123456789/13760 | |
| dc.language.iso | uk | |
| dc.relation.ispartofseries | УДК 004.8 | |
| dc.subject | машинне навчання | |
| dc.subject | аналіз даних | |
| dc.subject | інформаційні системи | |
| dc.subject | системи підтримки прийняття рішень | |
| dc.subject | мультимодальні часові ряди | |
| dc.subject | потоковий аналіз | |
| dc.subject | аудитованість | |
| dc.subject | концептуальний дрейф | |
| dc.subject | деградація модальностей | |
| dc.subject | виявлення аномалій | |
| dc.subject | machine learning | |
| dc.subject | data analysis | |
| dc.subject | information systems | |
| dc.subject | decision support systems | |
| dc.subject | multimodal time series | |
| dc.subject | streaming analytics | |
| dc.subject | auditability | |
| dc.subject | concept drift | |
| dc.subject | modality degradation | |
| dc.subject | anomaly detection | |
| dc.title | Аудитована потокова підтримка прийняття рішень для мультимодальних часових рядів із паспортом рішення за дрейфу та деградації модальностей | |
| dc.title.alternative | Auditable streaming decision support for multimodal time series with an operator-ready decision passport under drift and modality degradation | |
| dc.type | Стаття |
Files
Original bundle
1 - 1 of 1