Моя первая научная статья (лекции и практика)/Сборник, весна 2023
Материал из MachineLearning.
Содержание |
Задача 112
- Название: ECoG - video
- Авторы: Эксперт Грабовой, консультант -
Задача 113
- Название: ECoG - audio
- Авторы: Эксперт Грабовой, консультант -
Задача 114
- Название:Моделирование динамики физических систем с помощью Physics-Informed Neural Networks
- Описание проблемы: Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
- Данные: Биомедицинские данные акселерометра и гироскопа, океанические течения, движение барханов, воздушные потоки
- Литература базовая работа содержит ссылки
- Базовый алгоритм: Нейросетевой, лагранжевы нейросети.
- Решение: Нетерова нейросеть.
- Новизна: Предложенная сеть учитывает симметрию
- Авторы: Эксперты - Северилов, Стрижов, консультант - Панченко
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 - Эдуард Владимиров
Задача 117
- Название: Поиск зависимости и SSA, теорема Такенса
- Авторы: Эксперт Стрижов, консультант - Владимиров, Самохина
Задача 118
Denis
Задача 119
А.С. Хританков
Задача 120
- Название: Дифференцируемый алгоритм поиска ансамблей моделей глубокого обучения с контролем разнообразия
- Задача: Рассмотривается задача выбора ансамбля моделей. Требуется предложить метод контроля разнообразия базовых моделей на этапе применения.
- Данные: Fashion-MNIST, CIFAR-10, CIFAR-100 datasets
- Литература: [1] [Neural Architecture Search with Structure Complexity Control](https://easychair.org/publications/preprint/H5MC), [2] [Neural Ensemble Search via Bayesian Sampling](https://arxiv.org/pdf/2109.02533.pdf), [3] [DARTS: Differentiable Architecture Search](https://arxiv.org/pdf/1806.09055.pdf)
- Базовой алгоритм: В качестве базового алгоритма предлагается использовать DARTS [3].
- Решение: Для контроля разнообразия базовых моделей предлагается использовать гиперсеть [1], которая смещает структурные параметры в терминах дивергенции Йенсена—Шеннона. На этапе применения сэмплируются базовые архитектуры с заданным смещением для построения ансамбля.
- Новизна: Предложенный метод позволяет строить ансамбли с любым количеством базовых моделей без дополнительных вычислительных затрат относительно базового алгоритма.
- Авторы: К.Д. Яковлев, О.Ю. Бахтеев
Задача 121
Вл. Вановский задача по физикс-информед маншин лернинг?
Задача 122
Исаченко
Задача 123
- Название: Влияние локдауна на динамику распространения эпидемии
- Задача: Введение локдауна считается эффективной мерой по борьбе с эпидемией. Однако вопреки интуиции оказалось, что при определенных условиях локдаун может привести к росту эпидемии. Данный эффект отсутствует для классических моделей распространения эпидемии «в среднем», но был выявлен при моделировании эпидемии на графе контактов. Задача заключается в поиске формульных и количественных соотношений между параметрами, при которых локдаун может привести к росту эпидемии. Необходимо как выявить такие соотношения в моделях SEIRS/SEIR/SIS/etc на основе фреймворка распространения эпидений SEIRS+ (и ее модификации), так и теоретически обосновать соотношения, полученные из конкретных реализаций эпидении.
- Данные: Задача предполагает работу с модельными и синтетическими данными: имеются готовые данные, а также предполагается возможность генерации новых в процессе решения задачи. Данная задача относится к unsupervised обучению, поскольку реализация эпидемии на графе контактов имеет высокую долю случаныйх событий, а потому требует проводить анализ в среднем на многих синтетически сгенерированных реализациях эпидемии
- Литература:
- T. Harko, Francisco S. N. Lobo и M. Mak. «Exact analytical solutions of the
Susceptible-Infected-Recovered (SIR) epidemic model and of the SIR model with equal death and birth rates»
- https://github.com/ryansmcgee/seirsplus
- Авторы: А.Ю. Бишук, А.В. Зухба
Задача 125
Грабовой, Антиплагиат и команда
Задача 126
Рустем Исламов
Задача 127
Егор Шульгин
Задача 128
Ольга Гребенькова и Олег Бахтеев
Задача 129
- 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, движение барханов, 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
Задача 130
- Авторы: Эксперт - Воронцов, консультант - Полина Потапова
Задача 131
- Авторы: Эксперт - Воронцов, консультант - Василий Алексеев
Задача 132
- Авторы: Эксперт - Воронцов, консультант - Светлана Крыжановская
Задача 133
- Авторы: Эксперт - Воронцов, консультант - Николай Герасименко
Задача 134
Название: Дистилляция моделей и данных Задача: Существует два подхода по дистилляции знаний. Первый подход - дистилляция моделей. В этом случае большую модель пытаются дистиллировать в маленькую модель с сохранением такого же уровня качества. Второй подход - дистилляция данных. В этом случае создается минимальный набор данных, для обучения модели до нужного качества. На данный момент нет решения, которое может реализовать одновременную дистилляцию модели и знаний. Данные: Выборка рукописных цифр MNIST, Выборка изображений CIFAR-10 Литература: Список научных работ, дополненный 1) формулировкой решаемой задачи, 2) ссылками на новые результаты, 3) основной информацией об исследуемой проблеме. Базовой алгоритм: Базовое решение по дистилляции модели - дистилляция Хинтона Базовое решение по дистилляции датасетов - Dataset distillation. Решение: Предлагаемое решение задачи и способы проведения исследования. Способы представления и визуализации данных и проведения анализа ошибок, анализа качества алгоритма. Новизна: Новизна работы заключается в соединении двух подходов по дистилляции Авторы: Андрей Филатов