Математические методы распознавания образов (конференция)/Программа ММРО-19

Материал из MachineLearning.

Версия 17:02, 16 ноября 2019

Основная статья: Математические методы распознавания образов (конференция)

Короткая ссылка на эту страницу: bit.ly/33VfUBx

Расписание является предварительным и служит для согласования времени докладов с участниками конференции.

Программа 19-й конференции ММРО, г. Москва, 26-19 ноября 2019

Вторник, 26 ноября, 10:00–13:30

Открытие конференции

Приветственные выступления Козлов Валерий Васильевич, вице-президент РАН, академик РАН (по согласованию), Хохлов Алексей Рэмович, вице-президент РАН, академик РАН (по согласованию)

Журавлев Юрий Иванович, академик РАН (по согласованию), Рудаков Константин Владимирович, академик РАН, заместитель директора ФИЦ ИУ РАН

Соколов Игорь Анатольевич , академик РАН (по согласованию), представитель Российского Фонда Фундаментальных исследований, (по согласованию)

представитель АО «Российская венчурная компания», (по согласованию), представитель Фонда содействия развитию малых форм предприятий в научно-технической сфере (Фонд содействия инновациям), (по согласованию)

Пленарное заседание

1. 11:00 Рудаков Константин Владимирович
   О роли фундаментальной математики в искусственном интеллекте, распознавании образов, в анализе больших данных и т.п.
2. 11:30 Воронцов Константин Вячеславович

   [12:00 - 12:30] кофе-брейк

3. 12:30 ',
   
4. 13:00 '
   

Вторник, 26 ноября, 15:00–18:00

Пленарное заседание (продолжение)

1. 15:00 '
2. 15:30 '
3. 16:00 '

   [16:30 - 17:00] кофе-брейк

4. 17:00 '
5. 17:30 '
6. 18:30 '

Среда, 27 ноября

Интеллектуальная оптимизация и эффективный менеджмент (параллельное мероприятие, зал 1)

1. Архипов Д. И., Баттайя О. Н., Лазарев А. А. Полиномиальный алгоритм для нахождения нижней оценки общего времени выполнения проекта
2. Германчук М. С., Козлова М. Г. Распознавание, анализ и визуализация интернет-мемов
3. Германчук М. С., Лукьяненко В. А., Меньшиков А. О. Задача распознавания символического образа динамической системы
4. Ковун В. А., Каширина И. Л., Бондаренко Ю. В. Использование машинного обучения в задачах количественной металлографии
5. ЛазаревА. А., Лемтюжникова Д. В., Вернер Ф. Метрики для задач теории расписаний с несколькими приборами
6. Некрасов И. В., Правдивец Н. А. Машинное обучение в задачах прогноза отказов оборудования
7. Скобелев П. О. Мультиагентные модели и методы самоорганизации расписаний для решения сложных задач адаптивного управления ресурсами в реальном времени
8. Курбатов В. С., Токарева В. А., Цирков Д. А. Расширение алгоритма FUMILI для оптимизации квадратичных функционалов со связями между параметрами
9. Азарнова Т. В., Полухин П. В. Динамические байесовские сети как инструмент тестирования вебприложений методом фаззинга
10. Азарнова Т. В., Аснина Н. Г., Бондаренко Ю. В. Применение методов интеллектуального анализа данных в оценке функциональной эффективности команд менеджеров
11. Толок А. В., Толок Н. Б. Метод градиентного спуска на основе многомерных воксельных образов
12. Лазарев А. А., Правдивец Н. А., Вернер Ф. Двойственные и обратные задачи в теории расписаний

Интеллектуальный анализ данных (параллельное мероприятие, зал 1)

1. Драгунов Н. А., Дюкова Е. В. Поиск минимальных нечастых и максимальных частых наборов в частично упорядоченных данных.
2. Генрихов И. Е., Дюкова Е. В. О поиске ассоциативных правил в небинарных данных
3. Ашарин В. В., Шапошник Г. Л., Фадеев Е. П., Зубюк А. В. Использование качественной субъективной информации в виде «мягких» неравенств при оценке состава инвестиционного портфеля
4. Дюкова Е. В., Масляков Г. О., Прокофьев П. А. Классификация над произведением частичных порядков
5. Шульгин Е. В., Ратников Ф. Д. Кластеризация для реконструкции треков заряженных частиц
6. Фатхуллин И. Ф., Стрижов В. В. Доменное состязательное обучение для понижения смещения прогноза при поиске бозона Хиггса в детекторе ATLAS

Анализ биомедицинских данных, биоинформатика (параллельное мероприятие, зал 2)

1. Ерохин М. В., Плоткин А. В. Анализ объема церебральных структур пациентов с гипоксическиишемической энцефалопатией .
2. Панкратов А. Н. Множественное выравнивание геномов на основе спектрально-аналитического подхода
3. Панкратова Н. М., Рыкунов С. Д., Бойко А. И., Устинин М. Н. Применение метода функциональной томографии к экспериментальным данным электрической активности головного мозга при психических расстройствах
4. Рыкунов С. Д., Устинин М. Н., Бойко А. И., Панкратова Н. М. Исследование магнитных энцефалограмм пациентов с синдромом дефицита внимания и гиперактивности методом виртуальных электродов
5. Тихонов Д. А., Куликова Л. И., Ефимов А. В. Распознавание, отбор структурных мотивов, образованных двумя спиралями в белковых молекулах, и исследование межспиральных углов в спиральных парах
6. Сулимова В. В., Красоткина О. В., Виндридж Д., Моттль В. В., Морозов А. О. Интерфейс мозг-компьютер: Распознавание визуальных электроэцефалографических потенциалов врача при чтении маммограмм
7. Янковская А. Е., Часовских Н.Ю., Пекер Я. С., Гречишникова А.Ю. Основы создания прикладной интеллектуальной системы персонифицированного предсказания проявления аутоиммунных заболеваний и шизофрении
8. Янковская А. Е., Обуховская В. Б. Основы создания прикладной интеллектуальной системы диагностики качества жизни пациентов с неврологической патологией
9. Аснина Н. Г., Азарнова Т. В. Кластерный анализ в задаче дооперационного прогнозирования метастатического поражения регионарных лимфоузлов у больных раком молочной железы
10. Кузнецов Е. Н., Кравацкий Ю. В., Туманян В. Г., Аджубей А. А., Анашкина А. А. Ранжирование и анализ моделей белок-белкового докинга онлайн метасервером QASDOM
11. Кершнер И. А., Синкин М. В., Обухов Ю. В. Подход к детектированию эпилептиформной активности в сигналах ЭЭГ и способы дифференциации эпилептических приступов от артефактов жевания
12. Забежайло М. И. О емкости семейств характеристических функций, обеспечивающих корректное решение задач диагностического типа
13. Гогоберидзе Ю. Т., Классен В. И., Натензон М. Я., Просвиркин И. А., Сафин А. А. Особенности имплементации систем искусственного интеллекта в задаче анализа двухмерных радиологических изображений
14. Никитин Ф. А., Стрижов В. В. Построение графовых нейронных сетей в задаче синтеза химических молекул

Алгоритмическая сложность и приближенные методы (параллельное мероприятие, зал 2)

1. Власов С. Е., Старостин Н. В., Тимофеев А. Е. Алгоритмы планирования в системе поддержки процессов принятия решений для задач логистики
2. Бекларян А. Л. Кластерные срезы в модели ограниченного окружения
3. Хачай М.Ю., Огородников Ю.Ю. Полиномиальная приближённая схема для задачи маршрутизации транспорта с неединичным делимым спросом и ограничением на временные промежутки обслуживания
4. Горнов А.Ю., Аникин А. С., Зароднюк Т. С., Сороковиков П. С. Вычислительные технологии для сверхбольших оптимизационных задач
5. Ручкин К. Применение эволюционных методов в задаче распознавания периодических решений и резонансов динамических систем
6. Карацуба Е. А. Сложность вычисления: решённые задачи и открытые проблемы

Четверг, 28 ноября

Машинное обучение (параллельное мероприятие, зал 1)

1. Грабовой А. В., Бахтеев О.Ю., Стрижов В. В. Введение отношения порядка на множестве параметров нейронной сети
2. Гадаев Т. Т., Грабовой А. В., Мотренко А. П., Стрижов В. В. Численные методы оценки оптимального объёма выборки для логистической и линейной регрессии .
3. Двоенко С. Д., Пшеничный Д. О. Метрическая кластеризация ранжирований
4. Ерохин В. И., Красников А. С., Волков В. В. Матричная коррекция ограничений несобственных задач линейного программирования в задаче распознавания образов с пересекающимися классами
5. Двоенко С. Д., Пшеничный Д. О. Технология коррекции и обработки парных сравнений
6. Курбаков М.Ю., Макарова А. И., Сулимова В. В. Высокопроизводительный метод средних решающих правил для решения больших двухклассовых задач SVM в пространстве признаков
7. Ланге М. М., Ганебных С. Н., Ланге А. М. О теоретико-информационной нижней границе вероятности ошибки классификации
8. Макарова А. И., Сулимова В. В. Метод средних решающих правил для быстрого двухклассового обучения в пространстве, порожденном потенциальной функцией
9. Малиновский Г. С., Гадаев Т. Т., Стрижов В. В. Определение сложности выборки с помощью универсальной аппроксимирующей модели
10. Неделько В. М. Сравнение двух подходов к разложению критериев качества решающих функций
11. Немирко А. П. Машинное обучение на основе анализа выпуклых оболочек классов
12. Шибзухов З. М. Методы машинного обучения на основе минимизации сглаженных оценок средних, нечувствительных к выбросам
13. Бахтеев О.Ю., Стрижов В. В. Выбор структуры модели глубокого обучения субоптимальной сложности
14. Ангуло Б. Ф., Морозов А. О., Моттль В. В. Метод дифференциальной поэлементной кросс-валидации для выбора уровня сложности обобщенных линейных моделей зависимостей
15. Морозов А. О., Моттль В. В., Сулимова В. В. Последовательное восстановление обобщенных линейных моделей зависимостей по возрастающей обучающей совокупности
16. Моттль В. В., Сулимова В. В., Морозов А. О., Пугач И. В., Татарчук А. И. Вычислительная сложность восстановления обобщенных линейных моделей зависимостей
17. Сенько Д. О., Кузнецова А. В. Методы достижения интепретируемости алгоритмов машинного обучения
18. Медведев Д. О., Сенько О. В. Метод генерации оптимальных ансамблей решающих деревьев