Интеллектуализация обработки информации (конференция)/2012

Материал из MachineLearning.

Версия 14:37, 9 сентября 2012

В настоящее время данный раздел используется для формирования программы конференции Интеллектуализация обработки информации-2012. Подразделы соответствуют пленарным и секционным заседаниям. Продолжительность пленарных докладов — 30 минут. Продолжительность секционных докладов — 20 минут. Последовательность и продолжительности выступлений, состав докладчиков и темы докладов могут изменяться. Уважаемые участники конференции! Чтобы выразить свои пожелания, пожалуйста, связывайтесь с Программным комитетом, либо пишите свои пожелания на странице обсуждения: Обсуждение:Интеллектуализация обработки информации (конференция)/2012.

Основная статья: Интеллектуализация обработки информации (конференция)

Девятая конференция ИОИ проводится в Черногории, г.Будва c 16 по 22 сентября 2012 года согласно планам научных мероприятий академий наук России, Украины, Беларуси.

Программа ИОИ-2012

Понедельник, 17 сентября [10:00 — 13:00], утро. Пленарное заседание

• 10:00 Открытие конференции.

Понедельник, 17 сентября [15:00 — 19:00], вечер. Секция 1

Понедельник, 17 сентября [15:00 — 19:00], вечер. Секция 2

Вторник, 18 сентября [10:00 — 13:00], утро. Пленарное заседание

Вторник, 18 сентября [15:00 — 19:00], вечер. Секция 1

Вторник, 18 сентября [15:00 — 19:00], вечер. Секция 2

Среда, 19 сентября [10:00 — 13:00], утро. Секция 1

Среда, 19 сентября [10:00 — 13:00], утро. Секция 2

Среда, 19 сентября [15:00 — 19:00], вечер. Секция 1

Среда, 19 сентября [15:00 — 19:00], вечер. Секция 2

Четверг, 20 сентября

Экскурсионный день

Пятница, 21 сентября [10:00 — 13:00], утро. Секция 1

Пятница, 21 сентября [10:00 — 13:00], утро. Секция 2

Пятница, 21 сентября [15:00 — 19:00], вечер. Пленарное заседание

Список принятых докладов (содержание сборника трудов)

Математическая теория и методы классификации

1. Абрамов В. И., Середин О. С., Сулимова В. В., Моттль В. В., Метод опорных объектов для обучения распознаванию образов в евклидовых метрических пространствах
2. Бериков В. Б., Взвешенный ансамбль алгоритмов кластерного анализа с использованием таксономических решающих деревьев
3. Двоенко С. Д., Пшеничный Д. О., Об устранении отрицательных собственных значений матриц парных сравнений
4. Двоенко С. Д., Шанг Д. В., Параметрические ациклические марковские модели в задаче распознавания взаимосвязанных объектов
5. Дюбанов В. В., Загоруйко Н. Г., Ижовкин И. Н., Леванов Д. А. , Программная система, основанная на функции конкурентного сходства (проект FRiS-ОТЭКС)
6. Животовский Н. К., Воронцов К. В., Критерии точности комбинаторных оценок обобщающей способности
7. Загоруйко Н. Г., Кутненко О. А., Количественная мера компактности образов и метод ее повышения
8. Загоруйко Н. Г., Леванов Д. А., Логико-эталонные решающие правила
9. Мартьянов А. А., Сулимова В. В., Быстрая аппроксимация скользящего контроля по отдельным объектам для задачи двухклассового распознавания на основе понятия опорных векторов
10. Неделько В. М., Оптимизация точечных оценок риска для гистограмного классификатора
11. Середин О. С., Линейные методы распознавания образов на множествах объектов, представленных попарными сравнениями
12. Середин О. С., Моттль В. В., Татарчук А. И., Разин Н. А., Уиндридж Д., Выпуклые критерии релевантных векторов для сокращения размерности представления объектов в беспризнаковом распознавании образов
13. Толстихин И. О., Локализация оценок избыточного риска в комбинаторной теории переобучения
14. Черноусова Е. О., Красоткина О. В., Панов М. Е., Гребенников Е. В., Моттль В. В., Линейные модели числовых зависимостей на множествах объектов, представленных парными сравнениями

Алгебраические, логические и композиционные методы классификации

1. Дорофеев Н. Ю., О свойствах задач и алгоритмов разметки элементов точечных конфигураций
2. ДюковаЕ. В., ПрокофьевП. А., Методы обучения логических процедур распознавания, основанных на семействах корректных наборов элементарных классификаторов
3. Дюкова Е. В., Сотнезов Р. М., О сложности логического анализа данных в распознавании
4. Максимов Ю. В., Нижние оценки сложности реализации дизъюнктивными нормальными формами булевых функций специальных классов
5. Махина Г. А., О восстановлении монотонных булевых функций методом ближайшего соседа
6. Соколов Е. А., Воронцов К. В., Минимизация вероятности переобучения для композиций линейных классификаторов низкой размерности
7. Фрей А. И, Ивахненко А. А, Решетняк И. М., Применение комбинаторных оценок вероятности переобучения в простом голосовании пороговых конъюнкций
8. ШибзуховЗ. М., О поточечно корректных операциях над алгоритмами

Математическая теория и методы регрессии и прогнозирования

1. Вороненко А. А., Дьяконов А. Г., Некоторые технологии решения задач анализа данных
2. Горнов А. Ю., Финкельштейн Е. А., Метод Шепарда аппроксимации таблично заданных функций и его обобщения
3. Дорофеюк А. А., Дорофеюк Ю. А., Интеллектуальные модели и методы экспертизы, экспертного анализа и прогнозирования в слабо формализованных системах управления
4. Дорофеюк А. А., Дорофеюк Ю. А., Методы интеллектуального анализа динамических данных в задаче структурной идентификации сложных объектов управления
5. Дорофеюк Ю. А., Дорофеюк А. А., Чернявский А. Л., Методы структурно-классификационного анализа в задаче повышения достоверности оценок показателей мониторинга для нерепрезентативных выборок
6. Дорофеюк Ю. А., Алгоритмы интеллектуального анализа и структурного прогнозирования в прикладных задачах исследования \unhbox \voidb@x \hbox {социально-экономических} систем управления
7. Киселёва Н. Е., Дорофеюк А. А., Дорофеюк Ю. А., Размытый алгоритм m-локальной оптимизации в задачах кластер-анализа объектов и группировки параметров
8. Красоткина О. В., Нгуен Т. Ч., Попов В. А., Моттль В. В., Исследование регрессионной модели Кокса с регулируемой селективностью в задаче анализа продолжительности жизни
9. Кропотов Д. А., Эффективный метод обучения L_1-регуляризованной байесовской линейной регрессии
10. Кузнецов М. П., Стрижов В. В., Построение интегрального индикатора с использованием ранговой матрицы описаний
11. Мандель А. С., Дорофеюк Ю. А., Экспертно-классификационные методы моделирования и структурно-классификационное прогнозирование в задачах анализа состояния железнодорожных путей
12. Романенко А. А., Агрегирование адаптивных алгоритмов прогнозирования при несимметричной функции потерь
13. Рудой Г. И., Стрижов В. В., Упрощение суперпозиций элементарных функций при помощи преобразований графов по правилам
14. Сенько О. В., Докукин А. А., Исследование эффективности регрессионной модели, основанной на оптимальных выпуклых комбинациях одномерных регрессий
15. Сенько О. В., Кузнецова А. В., Методы исследования взаимосвязей в сложных объектах, основанных на сетях закономерностей
16. Теклина Л. Г., Котельников И. В., Синтез линейной системы квазиинвариантного управления минимальной сложности методами интеллектуального анализа данных
17. Токмакова А. А., Стрижов В. В. , Оценка гиперпараметров линейных регрессионных моделей при отборе шумовых и мультикоррелирующих признаков
18. Турков П. А., Красоткина О. В., Моттль В. В., Байесовская логистическая регрессия в задаче обучения распознаванию образов при смещении концепта

Математические модели данных и измерений

1. Борисов А. Е, Вычислительно эффективный алгоритм собственного разложения
2. Майсурадзе А. И., Метрический метод главных компонент для генеральной совокупности
3. Папилин С. С., Пытьев Ю. П., Кооперативные стратегии для возможностных моделей биматричных игр
4. Пытьев Ю. П., Математическое моделирование субъективных суждений в научных исследованиях
5. Пытьев Ю. П., Эмпирическая верификация и эмпирическое построение математической модели субъективных суждений
6. Чуличков А. И., Копит Т. А., Минимаксная интерпретация экспериментальных данных на основе модели, восстановленной по тестам

Предсказательное моделирование и оптимизация

1. Беляев М. Г., Аппроксимация зашумленных данных, имеющих структуру декартова произведения
2. Бернштейн А. В., Бурнаев Е. В., Задача снижения размерности в предсказательном моделировании
3. Bernstein A. V., Burnaev E. V., Erofeev P. D., Manifold Reconstruction in Dimension Reduction Problem
4. Бурнаев Е. В., Капушев Е. Р., Коноваленко И. А., Кононенко Д. С, Панов М. Е., Суррогатная оптимизация на основе гауссовских процессов
5. Голубев Г. К., Экспоненциальное взвешивание и оракульные неравенства для проекционных оценок
6. Голубев Г. К., Крымова E. А., Сплайны и стационарные гауссовские процессы
7. Гасников А. В., Дорн Ю. В., Ивкин Н. П., Ишманов М. С., Обидина Т. С., Петрашко Д. И., Холодов Я. А., Хохлов М. А., Чехович Ю. В., О некоторых задачах математического моделирования транспортных потоков
8. Зайцев А. А., Бурнаев Е. В., Янович Ю. А., Регрессия на основе разреженных гауссовских процессов в задаче консолидации разноточных данных
9. Ивкин Н. П., Чехович Ю. В., Краткосрочное прогнозирование скоростей транспортных потоков
10. Панов В. А., Оценивание индекса Блюменталя--Гетура на основе асимптотического поведения характеристической функции
11. Панов М. Е., Бурнаев Е. В., Адаптивное планирование регрессионных экспериментов на основе гауссовских процессов
12. Приходько П. В., Бурнаев Е. В., Эффективное снижение размерности на основе гауссовских процессов

Сложность вычислений и оптимизация

1. Гимади Э. Х., Алгоритмы с оценками для некоторых трудных задач дискретной оптимизации в исследовании операций
2. Давыдов И. А., Кочетов Ю. А., Плясунов А. В., О вычислительной сложности задач конкурентной кластеризации
3. Долгушев А. В., Кельманов А. В., Шенмайер В. В., Приближенная полиномиальная схема для одной задачи кластерного анализа
4. Еремеев А. В., Коваленко Ю. В., О сложности оптимальной рекомбинации для некоторых задач на перестановках
5. Еремеев А. В., Тарасенко Э. А., О сложности задачи выбора узлов хаба
6. Ерзин А. И., Беспроводные сенсорные сети и наименее плотные покрытия плоских областей эллипсами
7. Забудский Г. Г., Коваль А. А., Оптимизация размещения объектов на плоскости с максиминным критерием и минимально допустимыми расстояниями
8. Заозерская Л. А., Колоколов А. А., Оценки среднего числа итераций для ряда алгоритмов решения задач об упаковке и покрытии множества
9. Кельманов А. В., О некоторых NP-трудных задачах кластерного анализа
10. Кельманов А. В., Михайлова Л. В., Распознавание последовательности как структуры, содержащей серии повторяющихся векторов из алфавита
11. Кельманов А. В., Пяткин А. В., О сложности некоторых задач кластеризации векторных последовательностей
12. Кельманов А. В., Романченко С. М., Хамидуллин С. А., Точные псевдополиномиальные алгоритмы для некоторых труднорешаемых задач поиска подпоследовательности векторов
13. Кельманов А. В., Хандеев В. И., Полиномиальный алгоритм с оценкой точности 2 для решения одной задачи кластерного анализа
14. Кобылкин К. С., Исследование одной аппроксимации задачи обучения в классе комитетных решающих правил
15. Колоколов А. А., Орловская Т. Г., Исследование некоторых постановок задачи о рюкзаке и алгоритмов их решения с использованием унимодулярных преобразований и L-разбиения
16. Леванова Т. В., Ткачук Е. А., Алгоритмы пчелиного роя для двух задач о p-медиане
17. Максимов Ю. В., Обзор современных приближенных алгоритмов решения задачи о максимальном разрезе (MAX-CUT) и экспериментальное сравнение их точности на случайных входных данных
18. Faizullin R. T., Attempt for estimation of area of convergence to a global minimum of functions of equivalent SAT problem for 3-CNF
19. Хачай М. Ю., Поберий М. И., Геометрические задачи о покрытии: вычислительная сложность и аппроксимируемость
20. Шенмайер В. В., Задача о минимальном шаре, охватывающем k точек

Обработка изображений

1. Белов А. М., Федосеев В. А., Юхимец С. С., Модификация алгоритма Хартунга для защиты изображений цифровыми водяными знаками
2. Богданов П. С., Чернов В. М., Тернарные системы счисления в кольце целых чисел Эйзенштейна и их приложения
3. Глумов Н. И., Кузнецов А. В., Выявление следов применения алгоритмов цифровой обработки на изображениях
4. Глумов Н. И., Митекин В. А., Модифицированный метод защиты цифровых изображений с помощью стойких ЦВЗ с повышенными информационной емкостью и устойчивостью к искажениям изображений
5. Копенков В. Н., Мясников В. В., Алгоритм автоматического построения универсальной процедуры локальной обработки изображений
6. Сергеев В. В., Денисова А. Ю., Метод восстановления кусочно-постоянных изображений с известными границами областей
7. Урывская Д. А., Чернов В. М., Методы защиты цифровых изображений на основе псевдоголографического представления данных
8. Чернов В. М., Каспарьян М. С., Дискретные ортогональные преобразования на предфрактальных областях
9. Чичева М. А., Князев В. А., Исследование применения параллельных алгоритмов дискретного преобразования Фурье в задаче 3D-моделирования водной поверхности

Обнаружение объектов на изображениях

1. Бекетова И. В., Костромов Н. А., Каратеев С. Л., Визильтер Ю. В., Обнаружение специфической графической информации на изображениях для систем индексации документов
2. Кольцов П. П., О тестировании детекторов границ с использованием нечёткой метрики
3. Комаров Д. В., Визильтер Ю. В., Выголов О. В., Князь В. А., Автоматическое обнаружение взлетно-посадочной полосы на видеоизображениях для авиационной системы улучшенного видения
4. Kuznetsov A. V., Copy-move regions detection algorithm, based on Fourier--Mellin transform
5. Лепский А. Е., Применение стохастических монотонных мер в задачах выделения информативных признаков контурных изображений
6. Новиков Н. А., Ланге М. М., Быстрая привязка изображений на основе иерархического поиска эталонных фрагментов
7. Ташлинский А. Г., Воронов С. В., Прогноз линии диспарантности между центрами привязанных локальных фрагментов изображений при неизвестной модели привязки
8. Ташлинский А. Г., Кавеев И. Н., Методика привязки изображений в условиях интенсивных помех

Обнаружение и распознавание объектов в видеопоследовательностях

1. Вишняков Б. В., Егоров А. И., Определение псевдодвижения в задачах видеонаблюдения
2. Вишняков Б. В., Малин И. К., Определение объектов типа человек-автомобиль в задачах видеонаблюдения
3. Voronin P. A., Vetrov D. P., Robust distance fields for shape-based registration
4. Каратеев С. Л., Бекетова И. В., Комаров Д. В., Ососков М. В., Визильтер Ю. В., Алгоритм автоматического определения контекста информационного потокового видео
5. Кий К. И., Виртуальные граничные кривые: подход к анализу движения
6. Мацыпаев Д. А., Броневич А. Г., Нечеткая параметризованная модель классификации блоков небинаризованной маски движения
7. Новиков А. В., Чернышов В. Г., Ветров Д. П., Фильтр частиц для поиска экрана на видеопоследовательности
8. Степаньянц Д. Г., Комаров Д. В., Выголов О. В., Разработка алгоритма автоматического обнаружения препятствий на взлетно-посадочной полосе по видеопоследовательности для авиационной системы улучшенного видения

Описание и анализ формы изображений

1. Визильтер Ю. В., Рубис А. Ю., Метрическое пространство форм изображений
2. Визильтер Ю. В., Рубис А. Ю., Горбацевич В. С., Реляционные модели формы изображений и метрики их сравнения
3. Визильтер Ю. В., Сидякин С. В., Построение обобщенных скелетов многоугольных бинарных фигур с многоугольными выпуклыми структурирующими элементами
4. Жукова К. В., Рейер И. А., Непрерывная гранично-скелетная модель сегментированного изображения
5. Зимовнов А. В., Местецкий Л. М., Построение криволинейного скелета пространственного объекта по проекциям с окклюзиями
6. Каркищенко А. Н., Мнухин В. Б., Распознавание симметрии изображений в частотной области
7. Куракин А. В., Местецкий Л. М., Использование непрерывного скелета для соединения дыр в контурах на примере сегментации тела человека на карте глубины
8. Куракин А. В., Местецкий Л. М., Генерация признаков с помощью непрерывного скелета на примере задачи выделения рук на силуэте человека
9. Кушнир О. А., Середин О. С., Процедура оптимального парного выравнивания для сравнения скелетных графов, заданных цепочками примитивов
10. Макарова Е. Ю., Непрерывный метод вычисления морфологического спектра многоугольной фигуры по ее скелетному представлению
11. Нагапетян В. Э., Хачумов В. М., Распознавание жестов руки по дальностным изображениям
12. Федотов Н. Г., Голдуева Д. А., Геометрические и яркостные триплетные признаки полутоновых изображений
13. Шаповалов Р. В., Осокин А. А., Ветров Д. П., Обучение структурного метода опорных векторов со слабым учителем в задачах сегментации изображений
14. Yangel B. K., Vetrov D. P., Globally optimal segmentation with a graph-based shape prior

Классификация и распознавание изображений

1. Ерохин М. А., Копылов А. В., Ларин А. О., Параметрическое представление объектов в цветовом пространстве на основе метода главных компонент
2. Ланге М. М., Ганебных С. Н., Классификация изображений в пространстве универсальных представлений с многоуровневым разрешением
3. Ларин А. О., Середин О. С., Копылов А. В., Экспериментальное исследование моделей представления объектов в цветовом пространстве при анализе изображений
4. Лебедев Л. И., Оптимизация вычислительной сложности корреляционно-экстремальных контурных методов распознавания
5. Маленичев А. А., Красоткина О. В., Алгоритм детектирования дыма по видеопоследовательности в режиме реального времени
6. Мартьянов В. Ю., Половинкин А. Н., Тув Е. В., Классификация изображений с использованием словаря кодовых слов на основе ансамблей деревьев решений
7. Мельниченко А. С., Броневич А. Г., Аннотация изображений на основе статистических классов и деревьев решений
8. Мурашов И. О., Иванова Е. Ю., Березин А. В., Анализ техники живописи по изображениям в задачах атрибуции. Обзор
9. Мясников Е. В., Влияние качества кластеризации на эффективность нелинейного метода снижения размерности с использованием опорных узлов
10. Ушмаев О. С., Кузнецов В. В., Получение устойчивого криптографического ключа из биометрической характеристики изображения отпечатков пальцев

Обработка и анализ сигналов

1. Кальян В. П., Исследование применимости артикуляционных моделей в задачах распознавания эмоций по речи
2. Мясников В. В., Анализ двух подходов к построению наборов линейных локальных признаков цифровых сигналов
3. Мясников В. В., Чупшев Н. В., Моделирование видеоинформационного тракта оптико-электронных систем дистанционного зондирования Земли: математические модели, методы и алгоритмы
4. Ручай А. Н., Метод нулей для стеганографии в аудиосигналах

Приложения в области наук о Земле

1. Богданов В. В., Волков Ю. С., Карстен В. В., Мирошниченко В. Л., Сплайновая модель скоростной характеристики среды по данным вертикального сейсмического профилирования
2. Гашников М. В., Федосеев В. А., Алгоритм размещения устройств наблюдения на местности
3. Гетманов В. Г., Гвишиани А. Д., Алгоритм принятия решений для обнаружения аномальных участков во временных рядах геофизических данных с нестационарными спектральными характеристиками
4. Мандрикова О. В., Полозов Ю. А., Глушкова Н. В., Заляев Т. Л., Технология выделения аномалий в ионосферных данных на основе вейвлет-преобразования и нейронных сетей
5. Мандрикова О. В., Соловьев И. С., Алгоритм выделения характерной суточной составляющей и локальных особенностей в геомагнитном сигнале
6. Khairetdinov M. S., Avrorov S. A., Voskoboinikova G. M., The combined methods of processing and recognition of signals in a geoecological monitoring problem
7. Янковская А. Е., Семенов М. Е., Интеллектуализация поддержки принятия решений для геоинформационных систем

Приложения в области медицины и биологии

1. Анциперов В. Е., Обухов Ю. В., Евсеев О. В., Компьютерная реконструкция 3D-распределений нейронов на основе нейробиологической модели болезни Паркинсона по серии изображений 2D-срезов головного мозга
2. Королев М. С., Обухов Ю. В., Обухов К. Ю., Сушкова О. С., О частотно-временных признаках многоканальных электроэнцефалограмм мозга при заболевании Паркинсона на ранней стадии
3. Лыжко Е. В., Махортых С. А., О диагностике церебральных патологий с использованием корреляционных матриц пространственных-временных распределений записей МЭГ
4. Марьяскин Е. Л., Ивановский С. А., Немирко А. П., Динамическая сегментация изображений в задачах ангиографической диагностики
5. Некрасов К. В., Шаповалов Р. В., Ветров Д. П., Графическая модель для распознавания гистологических изображений
6. Панкратова Н. М., Панкратов А. Н., Сычев В. В., Устинин М. Н., Обработка данных магнитной энцефалографии с помощью двух признаков искомой активности
7. Покровская И. В., Гучук В. В., Десова А. А., Дорофеюк А. А., Методика интеллектуального анализа квазипериодических биосигналов в задачах медицинской диагностики
8. Рыкунов С. Д., Сычев В. В., Устинин М. Н., Моделирование экспериментальных данных магнитной энцефалографии в системах интеллектуального анализа активности головного мозга
9. Янковская А. Е., Китлер С. В., Силаева А. В., Ракитин С. С., Интеллектуализация поддержки принятия диагностических и профилактических решений по депрессии на основе интеллектуальной системы ДИАПРОД

Приложения в области биоинформатики и химии

1. Чалей М. Б., Кутыркин В. А., Структурные различия кодирующих и некодирующих районов последовательностей ДНК генома человека
2. Панкратов А. Н., Пятков М. И., Разумейко М. В., Руднев В. Р., Тетуев Р. К., Куликова Л. И., Дедус Ф. Ф., Развитие спектрального подхода для распознавания повторов в геномах и белках
3. Прохоров Е. И., Кумсков М. И., Беккер А. В., Построение и использование адаптивных распознающих моделей для решения задачи структура--свойство
4. Разин Н. А., Сунгуров Д. С., Торшин И. Ю., Сулимова В. В., Середин О. С., Применение многомодального обобщения метода релевантных векторов в задаче распознавания вторичной структуры белка
5. Торшин И. Ю., Оптимальные словари финальных информаций для плохо формализованных задач

Приложения в области анализа текстов и информационного поиска

1. Авдеева Н. В., Ботов П. В., Букаев А. С., Вислый А. И., Груздев И. А., Ивахненко А. А., Никулина О. В., Чехович Ю. В., Система Антиплагиат.РГБ: задачи, проблемы, результаты, перспективы
2. Авдеева Н. В., Никулина О. В., Сологубов А. М., Об опыте анализа текстов с помощью системы Антиплагиат.РГБ
3. Венжега А. В., Гнатышак Д. В., Игнатов Д. И., Константинов А. В., Рекомендательная система парфюмерной продукции и ее тегов на основе трикластеризации
4. Воронцов К. В., Потапенко А. А., Робастные разреженные вероятностные тематические модели
5. Гнатышак Д. В., Игнатов Д. И., Жуков Л. Е., Кузнецов С. О., Миркин Б. Г., Экспериментальное сравнение некоторых алгоритмов трикластеризации
6. Дербенев Н. В., Толчеев В. О., Разработка метода выявления нечетких дубликатов по библиографическим описаниям
7. Захарчук В. В., Игнатов Д. И., Константинов А. В., Николенко С. И., Модель рекомендательной системы для интерактивного радиосервиса FMhost
8. Иванов М. Н., Воронцов К. В., Применение монотонного классификатора ближайшего соседа в задаче категоризации текстов
9. Ильвовский Д. А., Климушкин М. А., Выявление дубликатов объектов в прикладных онтологиях с помощью методов анализа формальных понятий
10. Кириллов А. Н., Сравнение методов предсказания появления связей в графе
11. Красоткина О. В., Нгуен Т. Ч., Поленова Е. А., Моттль В. В., Исследование модели порядковой регрессии с регулируемой селективностью в задаче оценивания позиции сайта в результатах поискового запроса
12. Полежаев В. А., Задачи и методы автоматического построения графа цитирования по коллекции научных документов
13. Суворикова А. Л., Бауман К. Е., Кластеризация последовательности сообщений в микроблогах и исследование её применимости для обнаружения новых событий
14. Царьков С. В., Морфологические и статистические методы выделения ключевых фраз для построения вероятностных тематических моделей коллекций текстовых документов
15. Фигурнов М. В., Кириллов А. Н. , Линейная комбинация случайных лесов в задаче предсказания релевантности документов
16. Чувилин К. В., Адаптивное обучение правил коррекции документов в формате LaTeX

Приложения в области экономики и социологии

1. Акопов А. С., Бекларян Л. А., Имитационная модель поведения толпы при чрезвычайных ситуациях
2. Ващенко Е. А., Витушко М. А., Переверзев-Орлов В. С., К проблеме прогнозирования состояний процессов, порождаемых активными системами
3. Корнилина Е. Д., Анализ изменения высказываемых позиций на примере модели взаимодействующих в замкнутой группе акторов
4. Котик С. В., Каширин Д. О., Песков Н. В., Ефимов Е. М., Ермушева А. А., Автоматизированная система мониторинга финансовых рынков Check4Trick
5. Спиро А. Г., Alperovich Ed., Дорофеюк А. А., Методика исследования функционирования открытых индексных паевых инвестиционных фондов
6. Спиро А. Г., Дорофеюк А. А., Покровская И. В., Структурно-классификационные методы анализа и прогнозирования в задачах исследования фондового рынка

Приложения в области информационных технологий

1. Браницкий А. А., Тимофеев А. В., Методы и средства распознавания сетевых атак с помощью нейросетевых и иммуноклеточных технологий
2. Копайгородский А. Н., Интеграция интеллектуальной ИТ-среды Энергобезопасность в ИТ-инфраструктуру исследований энергетики
3. Курганская О. В., Преобразования данных для вычислительного эксперимента в исследованиях энергетической безопасности на основе декларативных представлений
4. Массель А. Г., Массель Л. В., Аршинский В. Л., Интеллектуальная ИТ-среда поддержки принятия решений в исследованиях и обеспечении энергетической безопасности России и ее регионов
5. Массель Л. В., Интеллектуализация поддержки принятия решений при моделировании и управлении режимами в Smart Grid
6. Морозов А. А., Трансляция Акторного Пролога в Java
7. Щапов В. А., Масич А. Г., Масич Г. Ф., Хохлов И. А., Алгоритм распределения потока экспериментальных данных по вычислительным узлам суперкомпьютера