Моя первая научная статья (лекции и практика)/Сборник, весна 2023
Материал из MachineLearning.
(Различия между версиями)
(→Задача 115) |
|||
Строка 23: | Строка 23: | ||
* '''Название:''' Дистилляция знаний в глубоких сетях и выравнивание моделей | * '''Название:''' Дистилляция знаний в глубоких сетях и выравнивание моделей | ||
* | * | ||
- | * '''Авторы:''' Эксперт Бахтеев, Стрижов, консультант - | + | * '''Авторы:''' Эксперт Бахтеев, Стрижов, консультант - Мария Горпинич |
===Задача 116=== | ===Задача 116=== |
Версия 19:10, 5 февраля 2023
Содержание |
Задача 112
- Название: ECoG - video
- Авторы: Эксперт Грабовой, консультант -
Задача 113
- Название: ECoG - audio
- Авторы: Эксперт Грабовой, консультант -
Задача 114
- Название: * Название:Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений
- Описание проблемы: Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
- Данные: Потребление и цена электроэнергии, океанические течения, воздушные потоки
- Литература
- Базовый алгоритм: Гусеница, тензорная гусеница.
- Решение: Найти мультиериодический временной ряд, построить его тензорное представление, разложить в спектр, собрать, показать прогноз.
- Новизна: Показать, что мультилинейная модель является удобным способом построения сверток для измерений в пространстве и времени.
- Авторы: Эксперт - Стрижов, консультант - Моложавенко?
Задача 115
- Название: Дистилляция знаний в глубоких сетях и выравнивание моделей
- Авторы: Эксперт Бахтеев, Стрижов, консультант - Мария Горпинич
Задача 116
- Название: Нейронные дифференциальные уравнения для моделирования физической активности – выбор моделей
- Авторы: Эксперт, консультант - Самохина
Задача 117
- Название: Поиск зависимости
- Авторы: Эксперт, консультант - Самохина
Задача 117
- Название: * Название: Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений