Численные методы обучения по прецедентам (практика, В.В. Стрижов)/Группа 974, осень 2012
Материал из MachineLearning.
(Различия между версиями)
(→Публикация работ) |
(→Расписание) |
||
Строка 95: | Строка 95: | ||
|Октябрь | |Октябрь | ||
|8 | |8 | ||
- | |Поставлена задача, собраны все | + | |Поставлена задача, собраны или написаны все необходимые алгоритмы. |
|Постановка задачи, полстраницы. | |Постановка задачи, полстраницы. | ||
|'''P'''roblem | |'''P'''roblem |
Версия 17:25, 6 марта 2013
Курс "Математические методы прогнозирования"
![]() | Статус публикации работ см. внизу страницы, раздел "Публикация работ". Ожидается публикация всех работ до конца мая 2013. |
Список задач
Название задачи | Автор | Ссылка на работу | Комментарии |
---|---|---|---|
Вычисление интегральных индикаторов в ранговых шкалах методами ко-кластеризации | Медведникова Мария | [1] | Принято |
Иерархическая тематическая кластеризация тезисов и визуализация | Кузьмин Арсентий | [2] | Принято |
Совместный выбор объектов и признаков в задачах многоклассовой классификации. | Адуенко Александр | [3] | Принято |
Построение иерархических тематических моделей | Цыганова Светлана | [4] | Принято |
Выбор признаков в задачах структурной регрессии | Варфоломеева Анна | [5] | Принято |
Статистические критерии однородности и согласия для сильно разреженных дискретных распределений | Целых Влада | Принято | |
Построение логических правил при разметке текстов | Иванова Алина | [7] | Принято |
Проверка адекватности тематической модели | Степан Лобастов | [8] | Редакция |
Определение соответствия документа тематике на основе выделения ключевых фраз. | Александр Шульга | Неизвестно | |
Методы извлечения признаков из текстовой информации | Егор Клочков | Неизвестно |
Расписание
Дата | Что делаем | Результат для обсуждения | Код | |
---|---|---|---|---|
Сентябрь | 10 | Выбрана задача, рецензент | Запись в ML | |
17 | Выбрана задача, найдены базовые публикации. | Аннотация, 600 знаков. | Annotation | |
24 | Собрана литература, она в bib; найдены данные. | Введение, примерно одна страница. | Introduction | |
Октябрь | 8 | Поставлена задача, собраны или написаны все необходимые алгоритмы. | Постановка задачи, полстраницы. | Problem |
15 | Поставлен вычислительный эксперимент, получены первые результаты. | Визуализация данных. | Visualizing | |
22 | Описание алгоритма. | Алгоритмическая часть (третий раздел). | Document | |
29 | Теоретическая часть. | Второй раздел. | Theory | |
Ноябрь | 5 | Завершение вычислительного эксперимента. | Описание эксперимента и анализ ошибок. | Comp |
12 | Контрольная точка - показ статьи в целом. | Статья. | cHeck | |
19 | Доработка статьи; доклад, первая группа. | Доклад. | Show | |
26 | Доклад, вторая группа. | Подача статьи в журнал. | Journal | |
Декабрь | 3 | Доклад, третья группа. | Рецензия написана, [r]-рецензенту | Review, [r] |
10 | Последний день для претендентов на оценки 10,9,8. | Экзамен | (score) |
Черновой список задач
1. 2012CoRegression
- Название: Вычисление интегральных индикаторов в ранговых шкалах методами ко-кластеризации.
- Тизер: Построение интегральной оценки эффективности научной деятельности.
- Данные: Синтетические. ПРНД сотрудников. Таблица авторы-журналы и число статей выбранных авторов в журналах.
- Литература: К.В.Воронцов «Коллаборативная фильтрация».
- Ключевые слова: индекс Хирша, ко-кластеризация, коллаборативная фильтрация.
- Предлагаемый алгоритм Совместная регрессия (придумать или найти готовую).
- Базовый алгоритм: Вычисленный IF журналов и h-index авторов. (Кокластеризация или адаптивная фильтрация для сравнения на годится).
- Проблема: Описание в файле. Дополнительно: при создании рейтинга встает проблема разбиения множества авторов и журналов на кластеры. Размер кластера требуется соотнести с "Оценкой вовлеченности автора/журнала в научное сообщество". Эта оценка должна войти в рейтинг (в крайнем случае, должна быть представлена отдельно).
2. 2012ExpertRanking
- Название: Согласование ранговых экспертных оценок.
- Тизер: Методы ранжирования при голосовании (выборе литературных произведений, выборе ограниченного комитета).
- Данные: Интернет-голосование за список книг, голосование без кооптации.
- Литература: Статья в Notices AMS, 2008, 55(4). Нужно будет сделать обзор литературы по этой проблеме.
- Предлагаемый алгоритм: Нахождение пересечения конусов и оценка эффективной размерности пространства или другой алгоритм.
- Базовый алгоритм: Медиана Кемени и другие алгоритмы.
- Проблема: Требуется проиллюстрировать и изучить свойства алгоритма выбора комитета. В частности, осветить следующую проблему. Рейтинг n выбранных кандидатов отличается от рейтинга n+k выбранных кандидатов, при единственном голосовании с выбором из N кандидатов. Возможно, требуется осветить парадокс Эрроу.
3. 2012StructureRegression
- Название: Выбор признаков в задачах структурной регрессии
- Тизер: Алгоритм структурной регрессии для разметки библиографических списков, тезисов и других структурированных текстов.
- Данные: библиографические записи из BibTeX collection on CS.
- Литература: работы Jaakkola и его команды, возможно, код.
- Предлагаемый алгоритм: Структурная регрессия.
- Базовый алгоритм: описан Валентином.
- Требуется: сегментировать входной текст и поставить в соответствие каждому сегменту поле, а каждой группе полей - тип библиографической записи.
4. 2012LogicClassification
- Название: Построение логических правил при разметке текстов
- Тизер: Алгоритм структурной регрессии для разметки библиографических списков, тезисов и других структурированных текстов.
- Данные: библиографические записи из BibTeX collection on CS / тезисы конференций, другие размеченные тексты.
- Литература: работы Инякина, Чувилина, Кудинова.
- Предлагаемый алгоритм: Решающие деревья, тупиковые покрытия.
- Базовый алгоритм: описан Валентином.
- Требуется: обучить модель, разметки текста, используя решающие правила над RegExp - строками.
5. 2012RankClustering
- Название: Ранговая кластеризация и алгоритмы динамического выравнивания.
- Тизер: Поиск дубликатов в библиографических записях. Динамическое выравнивание при нахождении дубликатов библиографических записей.
- Данные: Испорченные и некорректные библиографические записи (базы студенческих рефератов). Более 1000 библиографических записей из статей/книг по анализу данных.
- Литература: Стрижов et al. «Метрическая кластеризация последовательностей», работы по быстрой кластеризации k-Means.
- Ключевые слова: DTW — модификации, k-Means.
- Предлагаемый алгоритм: Алгоритм ранговой кластеризации.
- Базовый алгоритм: k-Means и его высокопроизводительные вариации.
- Проблема: Требуется модифицировать процедуру вычисления стоимости пути выравнивания так, чтобы обнаруживать и учитывать инварианты перестановок (и допустимых модицикаций) частей библиографической записи.
6. 2012ThematicClustering
- Название: Проверка адекватности тематической модели.
- Тизер: Методы выявления некорректной тематической классификации на материалах конференции. Методы построения тематической модели, сходной с заданной. Кластеризация статей, иерархические тематические модели с тематической интерпретируемостью. Иерархическая тематическая кластеризация тезисов.
- Данные: Тексты тезисов конференции Евро-2012, 1862 тезиса.
- Литература: по кластеризации, и введению расстояний между текстами как мешками слов.
- Ключевые слова: иерархическая кластеризация, метрики сходства текстов.
- Предлагаемый алгоритм: алгоритм иерархической кластеризации k-means + классификация k-NN.
- Базовый алгоритм: k-Means
- Проблема: Требуется построить тематическую модель методом кластеризации и проверить корректность текущей классификации текстов. Для этого выполняется (иерархическая) кластеризация текстов, каждому кластеру ставится в соответствие название темы, соответствующее большинству статей из кластера. После построения модели каждая статья проверяется и относится к своей или к чужой теме.
7. 2012ThematicHierarchy
- Название: Построение иерархических тематических моделей.
- Тизер: Иерархическая тематическая кластеризация тезисов. Построение тематической модели на материалах конференции.
- Данные: Тексты тезисов.
- Литература: иерархические модели, topic modelling.
- Ключевые слова: иерархическое тематическое моделирование.
- Предлагаемый алгоритм: иерархические модели, оценка распределения по темам.
- Базовый алгоритм: PLSA--LDA.
- Проблема: Требуется построить иерархическую тематическую модель путем вычисления статистических оценок функций распределения слов по темам.
8. 2012ThematicVisualizing
- Название: Визуализация иерархических тематических моделей.
- Тизер: На материалах конференции EURO.
- Данные: Тексты тезисов конференции Евро-2012.
- Литература: многомерное шкалирование, кластеризация.
- Ключевые слова: визуализация графов.
- Предлагаемый алгоритм:
- Базовый алгоритм: --
- Проблема: Требуется визуализировать матрицу парных расстояний таким образом, чтобы можно было принять решение о
- корректировки названий тем/подтем конференции,
- переносе тезиса из одной темы в другую,
- адекватности соответствия модельной и фактический кластеризации.
9. 2012CovSelection
- Название: Совместный выбор объектов и признаков в задачах многоклассовой классификации.
- Тизер: Ранжирование поисковых выдач Яндекса.
- Данные: Яндекс – математика.
- Литература: Бишоп, Стрижов.
- Ключевые слова: логистическая регрессия, выбор признаков, фильтрация объектов.
- Предлагаемый алгоритм: Совместный выбор путем анализа ковариационных матриц.
- Базовый алгоритм: SVM.
- Проблема: Взять матрицу T, с. 209 Бишопа, сделать многоклассовую классификацию (с. 208). Проверить на синтетической выборке того же формата, что и данные Яндекса. (Для сравнения запустить алгоритм SVM на этой же выборке.Связать с выбором признаков.) Оценить матрицы гиперпараметров многоклассовой регрессионной модели. Предложить пошаговый алгоритм совместного выбора с максимизацией правдоподобия модели.
10. 2012ThematicMatching
- Название: Определение соответствия документа тематике на основе выделения ключевых фраз.
- Тизер: Соответствует ли диссертация объявленному паспорту диссертации? Какова фактическая специальность диссертации?
- Данные: Авторефераты диссертаций (SugarSync). Паспорта специальностей.
- Литература: (Статья С. Царькова «Морфологические и статистические методы выделения ключевых фраз для построения вероятностных тематических моделей коллекций текстовых документов» - проверить).
- Ключевые слова: ключевые фразы, тематические модели, N-граммы, морфологические и статистические признаки.
- Предлагаемый алгоритм:
- Базовый алгоритм: C-Value и TF-IDF.
- Проблема: Требуется проверить каждый автореферат из коллекции на формальное соответствие паспорту декларируемой в автореферате специальности. При этом пункты паспорта рассматриваются как описания тем. Реферат считается соответствующим данной теме, если в совокупная вероятность принадлежности заданного числа терминов к одному из описаний темы данной специальности выше, чем принадлежность описаниям темы других специальностей.
- Проблема, еще раз: Выделяем ключевые слова из документа. Считаем, что паспорт специальности состоит из ключевых слов. Находим расстояния от одного набора ключевых слов до другого. В итоге
- пополняем паспорт известной специальности новыми ключевыми словами, либо
- находим ближайший паспорт специальности.
- Варианты решения: Введение функции расстояния от совокупности терминов до описания темы, построение матрицы таких расстояний.
11. 2012FeatureGen
- Название: Последовательное порождение и выбор признаков в задаче многоклассовой классификации
- Тизер: Научно ли данное произведение? Определение типа произведения (определение научной области произведения). Определение социальной роли автора текста.
- Данные: синтетические, интернет-коллекция.
- Литература: Стрижов, Рудой.
- Ключевые слова: порождение признаков, поиск изоморфных моделей.
- Предлагаемый алгоритм: алгоритм последовательного порождения суперпозиций.
- Базовый алгоритм: решающие деревья.
- Проблема: Требуется построить набор признаков, по которым можно классифицировать текст.
12. 2012TypeDetection
- Название: Методы извлечения признаков из текстовой информации
- Тизер: Научно ли данное произведение? Определение типа произведения (определение научной области произведения). Определение социальной роли автора текста.
- Данные: синтетические, интернет-коллекция.
- Литература Найти.
- Ключевые слова: иерархическая кластеризация, structural learning, метрики сходства текстов.
- Предлагаемый алгоритм.
- Базовый алгоритм.
- Проблема: Требуется построить набор признаков, по которым можно классифицировать текст.
Темы К.В. Воронцова
- 2012SparceDistribution Статистические критерии однородности и согласия для сильно разреженных дискретных распределений (В.Ц.)
2012LatentModels
- Название: Проверка адекватности тематической модели.
- Тизер: Методы выявления некорректной тематической классификации на материалах конференции. Методы построения тематической модели, сходной с заданной. Кластеризация статей, иерархические тематические модели с тематической интерпретируемостью. Иерархическая тематическая кластеризация тезисов.
- Данные: Тексты тезисов конференции Евро-2012, 1862 тезиса.
- Литература: по латентным моделям.
- Ключевые слова: мягкая кластеризация, латентные модели.
- Предлагаемый алгоритм: hHDP.
- Базовый алгоритм: HDP.
- Проблема: Требуется построить тематическую модель методом кластеризации и проверить корректность текущей классификации текстов. Для этого выполняется (иерархическая) кластеризация текстов, каждому кластеру ставится в соответствие название темы, соответствующее большинству статей из кластера. После построения модели каждая статья проверяется и относится к своей или к чужой теме.
Ссылки
https://mlalgorithms.svn.sourceforge.net/svnroot/mlalgorithms/utilities В SugarSync/remarks находится документ с одной из возможных функций расстояния между текстами.
Литература
https://www.sugarsync.com Файлохранилище, где находятся материалы по проекту. Доступ к соответствующей папке предоставлен по адресу электронной почты. Материалы включают публикации по каждой теме.
Публикация работ
Легенда: Редакция >> Подать (оформление для журнала) >> Подано >> Принято (рецензентами) >> Верстка (замечания рецензентов и редактора учтены) >> Опубликовано (вышел номер).
Список принятых к публикации работ
- 1. Адуенко А. А., Стрижов В. В. Визуализация матрицы парных расстояний между документами // Научно-технический вестник С.-Пб. ПГУ. Информатика. Телекоммуникации. Управление, 2013, 1 — ?.
- 2. Адуенко А. А., Кузьмин А. А., Стрижов В. В. Выбор признаков и оптимизация метрики при кластеризации коллекции документов // Известия Тульского государственного университета, Естественные науки, 2012, № 3. С. 119-132.
- 3. Адуенко А. А., Стрижов В. В. Алгоритм оптимального расположения названий коллекции документов // Программная инженерия, 2013. № 3. С.21-25.
- 4. Будников Е. А., Стрижов В. В. Оценивание вероятностей появления строк в коллекции документов // Информационные технологии, 2013. № 4.
- 5. Кузьмин А. А., Стрижов В. В. Проверка адекватности тематических моделей коллекции документов // Программная инженерия, 2013. № 4.
- 6. Медведникова М. М., Стрижов В. В. Построение интегрального индикатора качества научных публикаций методами ко-кластеризации // Известия Тульского государственного университета, Естественные науки, 2013. №1.
- 7. Адуенко А. А., Стрижов В. В. Совместный выбор объектов и признаков в задачах многоклассовой классификации коллекции документов // Инфокоммуникационные технологии, 2013. № 2.
- 8. Иванова А.В., Адуенко А. А., Стрижов В. В. Алгоритм построения логических правил при разметке текстов // Программная инженерия, 2013. № 4(5).
- 9. Цыганова С.В., Стрижов В. В. Построение иерархических тематических моделей коллекции документов // Прикладная информатика, 2013. № 1.
- 10. Варфоломеева А.А., Стрижов В. В. Выбор признаков при разметке библиографических списков методами структурного обучения // Научно-технический вестник С.-Пб. ПГУ. Информатика. Телекоммуникации. Управление, 2013.
- 11. Целых В.Р., Воронцов К.В. Критерии согласия для разреженных дискретных распределений и их применение в тематическом моделировании // JMLDA, 2012. №4. С. 432-442.