Участник:Strijov/Проекты

Материал из MachineLearning.

< Участник:Strijov
Версия от 19:38, 1 марта 2022; Strijov (Обсуждение | вклад)
(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)
Перейти к: навигация, поиск

Порождение моделей машинного интеллекта

Решая прикладную задачу, специалист по анализу данных строит модель, настраивает её параметры и вводит в эксплуатацию. Через некоторое время модель устаревает вследствие изменения условий эксплуатации. Предлагается исключить специалиста из этой процедуры, заменив его механизмом воспроизводства моделей. Этот механизм называется обучением обучению, или метаобучением. Он задает стратегию автоматического порождения локальных и универсальных моделей машинного интеллекта. В Лаборатории машинного интеллекта исследуются принципы порождения и выбора моделей. Анализируются свойства сетей глубокого обучения, порождающих модели. Предлагается путь к прогнозированию структур моделей. В качестве прикладных задач, решаемых в данном проекте, выступают задачи анализа поведения и прогнозирования намерений человека по сигналам носимых устройств.

Анализ поведения человека по измерениям датчиков мобильного телефона и носимых устройств

По сигналам акселерометра и гироскопа требуется восстановить элементарные движения человека и описать его поведение. Решаются задачи создания смеси моделей, которая описывает поведение человека в различных характеристических временах. Сейчас создана и вводится в эксплуатацию модель физической активности рабочего-строителя. Модель классифицирует действия строителя в двух характеристических временах: движения и бизнес-процессы.

Прогнозирование намерений человека по сигналам головного мозга

Решаются задачи анализа сигналов в электроэнцефалографии, магнитоэнцефалографии, электрокардиографии. Прогнозируются движения конечностей по измерениям датчиков на коре головного мозга. По электрокортикограмме восстанавливается траектория движения рук.

Оценка оптимального объема выборки при построении моделей медицинской диагностики

В тех случаях, когда при планировании стартапов в области машинного обучения стоимость новых измерений высока, решение задачи оценки оптимального объема выборки позволяет избежать необоснованных расходов. Предложена процедура определения оптимального числа пациентов при постановке исследований в области медицины. Создется и внедряется во вречебную практику метод теоретически обоснованной оценки объемы выборки пациентов, учитывающих адекватную модель классификации.


Текущие проекты

  • Анализ поведения человека по измерениям датчиков мобильного телефона и носимых устройств. По сигналам акселерометра и гироскопа требуется восстановить элементарные движения человека и описать его поведение.
  1. Задача: создать смесь моделей, которая описывает поведение человека в различных характеристических временах.
  2. Задача: написать процедуру классификации, которая устойчиво работает в мобильном телефоне.
  • Анализ сигналов в электроэнцефалографии, магнитоэнцефалографии, электрокардиографии. Прогнозирование движений конечностей по измерениям датчиков на коре головного мозга

По электрокортикограмме требуется восстановить траекторию движения рук.

  1. Задача: построить нейросеть с качеством прогнозирования, превышающим текущее.
  2. Задача: предложить новый способ описания системы сигналов исходя из гипотезы об их распространении.
  • Порождение локальных моделей с помощью конкурирующих нейросетей GAN.
  1. Задача: построить модель, порождающую простые суперпозиции (локальные аппроксимирующие модели) лучшего качества, чем суперпозиции, порождаемые генетическими алгоритмами.
  2. Задача: предложить функцию, штрафующую полносвязный взвешенный граф за его отличие от дерева. Эксперименты проводятся на моделях, аппроксимирующих временные ряды и на моделях, ранжирующих коллекции текстовых документов.
  • Исследование теоретических основ машинного интеллекта. Создание алгоритмов автоматического порождения и выбора моделей. Создание методов алгоритмической постановки задач.
  1. Задача: исследовать модели последовательного и одновременного порождения и выбора признаков.
  2. Задача: предложить алгоритм одновременного выбора параметров и структуры модели, превосходящий по качеству алгоритм смешанной оптимизации и сопоставимый с генетическим.
  3. Задача: исследовать метод порождения признаков, в котором в качестве признаков используются параметры моделей локальной аппроксимации.
  • Построение прикладных систем анализа данных. Распознавание биомедицинских сигналов, анализ поведения сложных систем. Тематическое моделирование, анализ коллекций текстов, построение поисковых систем, структурное обучение. Согласование экспертных оценок, построение рейтингов.

Прежние проекты

  • Оценка оптимального объема выборки при построении моделей медицинской диагностики.
  1. Задача: описать процедуру определения оптимального числа пациентов при постановке исследований в области медицины. Цель - создать и внедрить во врачебную практику метод теоретически обоснованной оценки объемы выборки пациентов, учитывающих адекватную модель классификации.
  • Порождение математических моделей

Моделируется физическое, биологическое или другое измеряемое явление. Например, распространение нервного импульса, изменение давление в камере внутреннего сгорания, изменение цены опциона в ходе торгов. Требуется разработать алгоритм, который автоматически порождает модели, понятные специалистам в прикладной области.

  • Обработка космических снимков

Спутник фотографирует поверхность земли. Один и тот же участок фотографируется с интервалом в месяц. Требуется по фотографии определить возможные медленные движения инженерных сооружений, расположенных на поверхности земли.

По данным железнодорожных перевозок и микроэкономическим показателям требуется спрогнозировать загруженность железнодорожного узла.

  • Прогнозирование потребления и цен электроэнергии

По историческим ценам и объемам потребленной электроэнергии требуется сделать почасовой прогноз на следующий день. Визуализация для принятия решений при планировании крупных конференций По тезисам конференции EURO за последние годы требуется построить систему, которая бы визуально рекомендовала научную область и сессию докладчику-новичку.

  • Прогнозирование инфаркта по иммунологическим данным

Есть четыре класса пациентов: после операции, перед операцией и две группы здоровых. Измеряется концентрация определенных белков на поверхности кровяных телец. Измерения дорогие, пациентов мало. Требуется предложить прогностическую модель.

Научные интересы

Содержание

  • Теория категорий в распознавании образов

"Я приветствую полугруппу, где бы я ее ни встретил, а встречается она повсюду. Впрочем, от друзей я слышал, что в математике попадаются объекты, отличные от полугрупп" (Эйнар Хилле). Умение видеть алгебраические структуры при решении прикладных задач избавляет исследователя от необходимости изобретать велосипед и показывает, что отнюдь не все измеряемые данные погружены в привычное евклидово пространство. Описанием (а точнее — обобщением и специализацией) различных алгебраических структур занимается теория категорий. "Язык категорий воплощает 'социологический' подход к математическому объекту: группа или пространство рассматривается не как множество с внутренне присущей ему структурой, но как член сообщества себе подобных" (Ю.И. Манин). Сейчас язык теории категорий активно используется в математической физике — там, где модели, описывающие физические процессы, весьма сложны. Применение этого языка при решении прикладных задач распознавания образов позволит получить ясные содержательные определения в сложных ситуациях.

  • Индуктивное порождение и выбор регрессионных моделей

Задачи отыскания регрессионных зависимостей являются большой самостоятельной областью и, кроме этого, появляются в качестве элементов задач распознавания образов. Задачи восстановления регрессии отличаются от задач классификации тем, что на первые наложено требование непрерывности отображения. Задачи восстановления регрессии включают в себя принципы информационного и математического моделирования. Согласно принципам информационного моделирования, в тех случаях, когда нет информации о том, какую модель предпочесть, целесообразно выполнить поиск оптимальной модели в фиксированном или индуктивно порождаемом классе моделей. Согласно принципам математического моделирования, полученная модель должна быть объяснимой с точки зрения эксперта; также модель должна быть несложной и достаточно точной. Найти модель, которая бы отвечала стольким требованиям, очень непросто.

  • Интегральные индикаторы и экспертные оценки

Интегральный индикатор (рейтинг) — наиболее информативная оценка качества или эффективности сравнимого набора объектов. Для построения интегрального индикатора требуется выбрать и настроить модель — свертку набора частных показателей, каждый из которых характеризует какую-либо одну сторону понятия «качество» или «эффективность». С другой стороны, эксперты могут построить интегральный индикатор набора объектов, опираясь на собственные знания. Однако такой индикатор сложно обосновать. Существуют методы, в которых модели объективизируют экспертные оценки, а экспертные оценки, в свою очередь, позволяют выбирать адекватные модели.

Личные инструменты