Участник:Vmottl

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

Изображение:VMOTTLsmall.jpg    Вади́м Вячесла́вович Мо́ттль

Российский математик, д.т.н., профессор.
Ведущий научный сотрудник Вычислительного центра ФИЦ ИУ РАН.
Профессор кафедры «Интеллектуальные системы» ФУПМ МФТИ.
Профессор-консультант Тульского государственного университета,
Эксперт Российского фонда фундаментальных исследований.

Подробная биография на wikipedia.

Мне можно написать письмо.

Некоторые направления исследований

  • Линейные методы восстановления зависимостей по эмпирическим данным. Презентация, PDF [936 Кб].
  • Невыпуклые задачи оптимизации в методологии обучения распознаванию образов. Презентация, PDF [725 Кб].
  • Динамический анализ стиля инвестиций. Презентация, PDF [559 Кб].
  • Распознавание зон коллекторов нефти и газа в монолитных породах по данным сейсмической разведки с учетом обучающей информации из разведывательных скважин. Презентация, PDF [895 Кб].

Руководство диссертациями

Докторские

  1. Двоенко С.Д. Методы распознавания образов в массивах взаимосвязанных данных. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, Москва, 2001.
  2. Ересько Ю.Н. Методы автоматической локализации объектов в потоках изображений динамических сцен. Специальность 05.13.01 – Системный анализ, управление и обработка информации, технические науки. Тульский государственный университет, 2007.

Кандидатские

  1. Кляцкин В. М. Разработка и исследование методов скелетизации точечных изображений. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1991.
  2. Блинов А.Б. Алгоритмы сегментации составных текстурных изображений на основе марковских моделей строк. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1993.
  3. Копылов А.В. Квази-статистический подход к совмещению изображений при растровых искажениях. Специальность 05.13.16 – Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях, технические науки. Институт проблем управления АН СССР, Москва, 1996.
  4. Костин А.А. Алгоритмы динамического программирования для анализа сигналов и изображений. Специальность 05.13.18 – Математическое моделирование, численные методы и комплексы программ, физико-математические науки. Тульский государственный университет, 2001.
  5. Лисицын С.В. Множественное выравнивание (мультиэлайнмент) для моделирования сигналов с темпоральными искажениями. Специальность 05.13.18 – Математическое моделирование, численные методы и комплексы программ, технические науки. Тульский государственный университет, 2001.
  6. Середин О.С. Методы и алгоритмы беспризнакового распознавания образов. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2001.
  7. Красоткина О.В. Алгоритмы оценивания моделей нестационарных сигналов при наличии ограничений. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2003.
  8. Сулимова В.В. Потенциальные функции для анализа сигналов и символьных последовательностей разной длины. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2008.
  9. Разин Н.В. Выпуклые критерии и параллелизуемые алгоритмы селективного комбинирования разнородных представлений объектов в задачах восстановления зависимостей по эмпирическим данным. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2013.
  10. Черноусова Е.О. Беспереборные методы кросс-валидации для оценивания обобщающей способности регрессионных моделей. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2013.
  11. Татарчук А.И. Байесовские методы опорных векторов для обучения распознаванию образов с управляемой селективностью отбора признаков. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2014.
  12. Абрамов В.И. Метод опорных объектов для обучения распознаванию образов в произвольных метрических пространствах. Специальность 05.13.17 – Теоретические основы информатики, физико-математические науки. Вычислительный центр РАН, 2014.


Некоторые публикации за последние годы

Всего более 200 публикаций в Российских и зарубежных изданиях.

  1. Sulimova V., Mottl V., Tatarchuk A. Multi-kernel approach to on-line signature verification. Proceedings of the 8th IASTED International Conference on Signal and Image Processing. Honolulu, Hawaii, USA, August 14-16, 2006, paper 534-239, pp. 448-453.
  2. Markov M., Krasotkina O., Mottl V., Muchnik I. Time-varying regression model with unknown time-volatility for nonstationary signal analysis. Proceedings of the 8th IASTED International Conference on Signal and Image Processing. Honolulu, Hawaii, USA, August 14-16, 2006, pa-per 534-196.
  3. M. Markov, I. Muchnik, V. Mottl, O. Krasotkina. Dynamic analysis of hedge funds. Proceed-ings of the 8th IASTED International Conference on Financial Engineering and Applications. MIT, Cambridge, Massachusetts, USA, October 9-11, 2006, paper 546-028.
  4. Windridge D., Mottl V., Tatarchuk A., Eliseyev A. The neutral point method for kernel-based combination of disjoint training data in multi-modal pattern recognition. Proceedings of the 7th International Workshop on Multiple Classifier Systems. Czech Academy of Sciences, Prague, Czech Republic, May 23-25, 2007, pp. 13-21.
  5. Markov M., Muchnik I., Mottl V., Krasotkina O. Machine-learning for dynamic reverse engi-neering of hedge funds. Proceedings of the 6th International Conference on Machine learning and Cybernetics, Hong Kong, China, August 19-22, 2007, Vol. 5, pp 2805-2812, Vol. 5, pp. 2805-2812.
  6. Windridge D., Mottl V., Tatarchuk A., Eliseyev A. The relationship between kernel and classifi-er fusion in kernel-based multi-modal pattern recognition: An experimental study. Proceedings of the 6th International Conference on Machine learning and Cybernetics, Hong Kong, China, August 19-22, 2007, Vol. 6, pp. 3594-3600.
  7. Tatarchuk A., Kurakin A., Mottl V. Support vector machines for ranking learning: The full and the truncated fixed margin strategies. Proceedings of the 6th International Conference on Ma-chine learning and Cybernetics, Hong Kong, China, August 19-22, 2007, Vol. 5, pp. 2701-2707.
  8. Шавловский М.Б., Красоткина О.В., Моттль В.В. Задача обучения распознаванию обра-зов в нестационарной генеральной совокупности. Доклады 13-й Всероссийской конфе-ренции «Математические методы распознавания образов». Зеленогорск, Ленинградская область, 30 сентября – 6 октября 2007 г. М.: МАКС Пресс, 2007, с. 226-230.
  9. Mottl V., Kulikowski C., Muchnik I. Probabilistic evolutionary model for substitution matrices of PAM and BLOSUM families. DIMACS Technical Report 2008-16. DIMACS, Center for Discrete Mathematics and Theoretical Computer Science, Rutgers University, New Jersey, USA, 17p., 2008.
  10. Tatarchuk A., Mottl V., Eliseyev A., Windridge D. Selectivity supervision in combining pattern-recognition modalities by feature- and kernel-selective Support Vector Machines. Proceedings of the 19th International Conference on Pattern Recognition, Tampa, USA, December 8-11, 2008.
  11. Mottl V., Lange M., Sulimova V., Ermakov A. Signature verification based on fusion of on-line and off-line kernels. Proceedings of the 19th International Conference on Pattern Recognition, Tampa, USA, December 8-11, 2008.
  12. Krasotkina O., Mottl V. Adaptive nonstationary regression analysis. Proceedings of the 19th In-ternational Conference on Pattern Recognition, Tampa, USA, December 8-11, 2008.
  13. Ezhova E., Mottl V., Krasotkina O. Estimation of time-varying linear regression with unknown time-volatility via continuous generalization of the Akaike Information Criterion. Proceedings of World Academy of Science, Engineering and Technology, No.51, Mar. 2009, pp. 144-150.
  14. Sulimova V., Mottl V., Mirkin B. Is protein sequence data sufficient for deriving homology groups? Extending Dayhoff’s model to sequences. Technical Report. School of Computer Sci-ence and Information Systems, Birkbeck, University of London, February 2009, 23 p.
  15. Sulimova V., Mottl V., Mirkin B., Muchnik I., Kulikowski C.. A class of evolution-based ker-nels for protein homology analysis: A generalization of the PAM model. In: Bioinformatics Re-search and Applications. Lecture Notes in Computer Science, Volume 5542. Springer-Verlag, Berlin / Heidelberg. ISSN 0302-9743, 2009, pp. 284-296.
  16. Tatarchuk A., Sulimova V., Windridge D., Mottl V., Lange M. Supervised selective combining pattern recognition modalities and its application to signature verification by fusing on-line and off-line kernels. In: Multiple Classifier Systems. Lecture Notes In Computer Science, Vol. 5519. Springer-Verlag, Berlin \ Heidelberg. ISBN 978-3-642-02325-5, 2009, pp. 324-334.
  17. Красоткина О.В., Копылов А.В., Моттль В.В., Марков М. Восстановление стратегии управления инвестиционным портфелем как задача оценивания нестационарной регрес-сии с сохранением локальных особенностей. Доклады 14-й Всероссийской конференции «Математические методы распознавания образов», Суздаль, 21-26 сентября 2009 г., с. 141-144.
  18. Poh N., Windridge D., Mottl V., Tatarchuk A., Eliseyev A. Addressing missing values in kernel-based multimodal biometric fusion using neutral point substitution. IEEE Transactions on In-formation Forensics and Security, 2010, Volume 5, Issue 3, pp. 461-469.
  19. Krasotkina O., Kopylov A., Mottl V., Markov M.. Bayesian estimation of time-varying regres-sion with changing time-volatility for detection of hidden events in nonstationary signals. In: Signal Processing, Pattern Recognition and Applications. ACTA Press, Anaheim-USA, Calgary-Canada, Zurich-Swiss, 2010, ISBN 978-0-88986-822-9. Paper 678-050.
  20. Tatarchuk A., Urlov E., Mottl V., Windridge D. A support kernel machine for supervised selec-tive combining of diverse pattern-recognition modalities. In: Multiple Classifier Systems. Lec-ture Notes In Computer Science, Vol. 5997. Springer-Verlag, Berlin \ Heidelberg, 2010, ISBN 978-3-642-12127-2_17, pp. 165-174.
  21. Sulimova V., Razin N., V. Mottl, Muchnik I., Kulikowski C. A maximum-likelihood formula-tion and EM algorithm for the protein multiple alignment problem. In: Pattern Recognition in Bioinformatics. Lecture Notes in Bioinformatics, Vol. 6282. Springer-Verlag, Berlin \ Heidel-berg \ New York, 2010, ISBN 978-3-642-16000-4, pp. 171-182.
  22. Сулимова В.В., Разин Н.И., Моттль В.В., Мучник И.Б., Куликовский К. Наиболее прав-доподобное множественное выравнивание белков на основе EM-алгоритма. Третья Международная конференция «Математическая биология и биоинформатика», г. Пущи-но Московской обл., 10-15 октября 2010 г.
  23. Абрамов В.И., Середин О.С., Сулимова В.В., Моттль В.В. Эквивалентность потенци-альных функций и линейных пространств представления объектов произвольной приро-ды. Доклады 8-й Международной конференции «Интеллектуализация обработки инфор-мации», Кипр, Пафос, 17-24 октября 2010 г., с. 9-12.
  24. Ежова Е.О., Красоткина О.В., Моттль В.В. Непрерывная коррекция информационного критерия Акаике для регуляризованного оценивания сверхбольшого числа параметров регрессионных моделей данных с неизвестной дисперсией. Доклады 8-й Международ-ной конференции «Интеллектуализация обработки информации», Кипр, Пафос, 17-24 октября 2010 г., с. 51-54.
  25. Красоткина О.В., Моттль В.В., Турков П.А. Байесовский подход к задача обучения рас-познаванию образов в нестационарной генеральной совокупности. Доклады 8-й Между-народной конференции «Интеллектуализация обработки информации», Кипр, Пафос, 17-24 октября 2010 г., с. 148-152.
  26. Панов М.Е., Татарчук А.И., Моттль В.В. Метод нейтральной точки для компенсации пропусков в обучающей совокупности при обучении распознаванию образов по методу опорных векторов. Доклады 8-й Международной конференции «Интеллектуализация обработки информации», Кипр, Пафос, 17-24 октября 2010 г., с. 176-179.
  27. Panov M., Tatarchuk A., Mottl V., Windridge D. A modified neutral point method for kernel-based fusion of pattern-recognition modalities with incomplete data sets. Proceedings of the 10th international Workshop on Multiple Classifier Systems MCS 2011, Naples, Italy, June 15-17, 2011. Lecture Notes in Computer Science LNCS 6713, ISSN 0302-9743, Springer Verlag, Berlin/Heidelberg, 2011, pp. 126-136.
  28. Абрамов В.И., Середин О.С., Сулимова В.В., Моттль В.В. Метод опорных объектов для обучения распознаванию образов в евклидовых метрических пространствах. Доклады 9-й международной конференции «Интеллектуализация обработки информации ИОИ-2012», Будва, Черногория, 16-22 сентября 2012 г. М.: Торус Пресс, 2012, с .5-8.
  29. Середин O.С., Моттль В.В., Татарчук А.И., Разин Н.А., Уиндридж Д. Выпуклые крите-рии релевантных векторов для сокращения размерности представления объектов в бес-признаковом распознавании образов. Доклады 9-й международной конференции «Ин-теллектуализация обработки информации ИОИ-2012», Будва, Черногория, 16-22 сентяб-ря 2012 г. М.: Торус Пресс, 2012, с .50-53.
  30. Черноусова Е.О., Красоткина О.В., Панов М. Е., Гребенников Е.В., Моттль В.В. Линей-ные модели числовых зависимостей на множествах объектов, представленных парными сравнениями. Доклады 9-й международной конференции «Интеллектуализация обработ-ки информации ИОИ-2012», Будва, Черногория, 16-22 сентября 2012 г. М.: Торус Пресс, 2012, с .58-62.
  31. Красоткина О.В. Нгуен Т.Ч., Попов В.А., Моттль В.В. Исследование регрессионной мо-дели Кокса с регулируемой селективностью в задаче анализа продолжительности жизни. Доклады 9-й международной конференции «Интеллектуализация обработки информа-ции ИОИ-2012», Будва, Черногория, 16-22 сентября 2012 г. М.: Торус Пресс, 2012, с .122-125.
  32. Турков П.А., Красоткина О.В., Моттль В.В. Байесовская логистическая регрессия в зада-че обучения распознаванию образов при смещении концепта. Доклады 9-й международ-ной конференции «Интеллектуализация обработки информации ИОИ-2012», Будва, Черногория, 16-22 сентября 2012 г. М.: Торус Пресс, 2012, с .160-163.
  33. Красоткина О.В., Нгуен Т.Ч., Поленова Е.А., Моттль В.В. Исследование модели поряд-ковой регрессии с регулируемой селективностью в задаче оценивания позиции сайта в результатах поискового запроса. Доклады 9-й международной конференции «Интеллек-туализация обработки информации ИОИ-2012», Будва, Черногория, 16-22 сентября 2012 г. М.: Торус Пресс, 2012, с .633-636.
  34. Razin N., Sungurov D., Mottl V., Torshin I., Sulimova V., Seredin O., Windridge D. Applica-tion of the Multi-modal Relevance Vector Machine to the problem of protein secondary struc-ture prediction. Lecture Notes in Computer Science, Vol. 7632. Subseries: Lecture Notes in Bio-informatics. Springer, 2012, pp. 153-165.
  35. Seredin O., Mottl V., Tatarchuk A., Razin N., Windridge D. Convex Support and Relevance Vector Machines for selective multimodal pattern recognition. Proceedings of the 21th Interna-tional Conference on Pattern Recognition, Tsukuba, Japan, November 11-15, 2012. IAPR, 2012, ISSN 978-4-9906441-1-6, 2012, pp. 1647-1650.
  36. Turkov P., Krasotkina O., Mottl V.. The Bayesian logistic regression in pattern recognition prob-lems under concept drift. Proceedings of the 21th International Conference on Pattern Recogni-tion, Tsukuba, Japan, November 11-15, 2012. IAPR, 2012, ISSN 978-4-9906441-1-6, 2012, pp. 2976-2979.
  37. Середин О.С., Татарчук А.И., Разин Н.А., Моттль В.В. Выпуклые селективные критерии метода релевантных векторов в пространстве парных отношений объектов распознава-ния. Известия ТулГУ, Естественные науки. Тула: Изд-во ТулГУ, Вып. 1, 2013, С. 165-176.
  38. Абрамов В.И., Середин О.С., Моттль В.В. Обучение распознаванию образов в евклидо-вых метрических пространствах по методу опорных объектов. Известия ТулГУ, Естественные науки. Тула: Изд-во ТулГУ, Вып. 2, 2013.
  39. Маленичев А.А., Сулимова В.В., Красоткина О.В., Моттль В.В., Марков А.А. Примене-ние процедуры парного выравнивания для разметки стыков на ультразвуковой дефекто-грамме рельсового пути. Известия ТулГУ, Технические науки. Вып. 9. Тула: Изд-во Тул-ГУ, 2013.
  40. Разин Н.А., Черноусова Е.О., Красоткина О.В., Моттль В.В. Применение машины реле-вантных объектов в задачах восстановления числовых зависимостей. Машинное обуче-ние и анализ данных, 2013, т. 1, № 5, с. 641-652.
  41. Разин Н.А., Моттль В.В. Численная реализация алгоритмов селективного комбинирова-ния разнорожных представлений объектов в задачах распознавания образов. Машинное обучение и анализ данных, 2013, т. 1, № 6, с. 734-750.
  42. Красоткина О. В., Моттль В. В., Н. А. Разин, Черноусова Е. О. Беспереборная кросс-валидация отбора признаков в линейной регрессионной модели. Известия ТулГУ, Серия Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 7, No. 2, с. 88-98.
  43. P. Turkov, O. Krasotkina, V. Mottl. Dynamic programming for Bayesian logistic regression learning under concept drift. Pattern Recognition and Machine Intelligence. Lecture Notes in Computer Science, Vol. 8251. Springer, 2013, pp. 190-195.
  44. Маленичев А.А., Сулимова В.В., Красоткина О.В., Моттль В.В., Марков А.А. Приме-нение процедуры парного выравнивания для разметки стыков на ультразвуковой де-фектограмме рельсового пути. Известия ТулГУ, Технические науки. Вып. 9. Тула: Изд-во ТулГУ, 2013.
  45. Красоткина О. В., Моттль В. В., Н. А. Разин, Черноусова Е. О. Беспереборная кросс-валидация отбора признаков в линейной регрессионной модели. Известия ТулГУ, Се-рия Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 7, No. 2, с. 88-98.
  46. A. Malenichev, V. Sulimova, O. Krasotkina, V. Mottl, A. Markov. An Automatic Matching Procedure of Ultrasonic Railway Defectograms. Machine Learning and Data Mining in Pat-tern Recognition. Lecture Notes in Computer Science, Volume 8556, Springer, 2014, pp. 315-327.
  47. E. Chernousova, N. Razin, O. Krasotkina, V. Mottl, D. Windridge. Linear Regression via Elastic Net: Non-enumerative Leave-One-Out Verification of Feature Selection. Clusters, Orders, and Trees: Methods and Applications, Springer, 2014, pp. 377-390.
  48. A. Tatarchuk, V. Sulimova, I. Torshin, V. Mottl, D. Windridge. Supervised selective kernel fusion for membrane protein prediction. Pattern Recognition in Bioinformatics. Lecture Notes in Computer Science, Volume 8626. Springer, 2014, pp. 98-109.
  49. E. Chernousova, P. Levdik, A. Tatarchuk, V. Mottl, D. Windridge. Non-Enumerative Cross Validation for the Determination of Structural Parameters in Feature-Selective SVMs. Pro-ceedings of the 22nd International Conference on Pattern Recognition, Stockholm, Sweden, August 24-28, 2014, pp. 3654-3659.
  50. A. Gubareva, V. Sulimova, O. Seredin, A. Larin, V. Mottl. Finding the largest hypercavity in a linear data space. Proceedings of the 22nd International Conference on Pattern Recognition, Stockholm, Sweden, August 24-28, 2014, pp. 4406-4410.
  51. Середин О.С., Абрамов В.И., Моттль В.В. Аффинные операции в псевдоевклидовом линейном пространстве. Известия ТулГУ, Естественные науки. Тула: Изд-во ТулГУ, Вып. 3, 2014, с. 178-196.
  52. О.С. Середин, В.В. Моттль. Метод опорных объектов для обучения распознаванию образов в произвольных метрических пространствах. Известия Тульского государ-ственного университета. Естественные науки. 2015. № 4. С. 49-66.
  53. П.А. Турков, О.В. Красоткина, В.В. Моттль. Отбор признаков в задаче классификации при смещении решающего правила. Известия Тульского государственного универси-тета. Естественные науки. 2015. № 4. С. 67-78.
  54. O. Krasotkina, O. Seredin, V. Mottl. Supervised selective combination of diverse object-representation modalities for regression estimation. Multiple Classifier Systems. Lecture Notes in Computer Science,Volume 9132, 2015, pp. 89-99.
  55. O. Krasotkina, V. Mottl. A Bayesian approach to sparse Cox regression in high-dimensional survival analysis. Proceedings of the 11th International Conference on Machine Learning and Data Mining (MLDM 2015). Hamburg, Germany, July 20-23, 2015, pp. 425-437.
  56. O. Krasotkina, V. Mottl. A Bayesian approach to sparse learning-to-rank for search engine optimization. Proceedings of the 11th International Conference on Machine Learning and Da-ta Mining (MLDM 2015). Hamburg, Germany, July 20-23, 2015, pp. 382-394.


Монография

Моттль В.В., Мучник И.Б. Скрытые марковские модели в структурном анализе сигналов. М.: Наука, 1999, 352 с.


Монография посвящена комплексному изложению задач, теоретических методов и алгоритмов применения ЭВМ для анализа экспериментальных данных упорядоченных вдоль оси некоторого аргумента, главным образом, сигналов. Задачи распознавания образов и обнаружения изменений свойств случайных процессов. Изложение базируется на концепции скрытых марковских моделей, позволяющих строить алгоритмы структурного анализа сигналов как корректные и реализуемые вычислительные процедуры принятия статистических решений.

Книга предназначена для инженеров, разрабатывающих алгоритмы анализа сложных сигналов различной природы, прикладных математиков, разрабатывающих вопросы анализа случайных процессов и распознавания образов, а также для аспирантов и студентов кибернетических специальностей высших учебных заведений.


Главы (Оглавление полностью, PDF [342 Кб]):

  • Глава 1. Введение
  • Глава 2. Основные модели и задачи структурного анализа сигналов
  • Глава 3. Условно марковский случайных процесс
  • Глава 4. Оценивание структурных параметров модели условно марковского случайного процесса с многократно изменяющимися вероятностными свойствами
  • Глава 5. Обобщенный случайный процесс с локальными возмущениями: оптимальные решающие правила и алгоритмы распознавания потока событий
  • Глава 6. Обучение и самообучение распознаванию потока событий: параметрический подход
  • Глава 7. Обучение распознаванию потока событий: прямое восстановление апостериорного потока
  • Глава 8. Решающие правила и алгоритмы распознавания последовательности событий для детерминированный модели источника данных
  • Глава 9. Обучение распознаванию последовательности событий для детерминированной модели источника данных
  • Глава 10. Векторные случайный события и случайные поля со скачкообразно изменяющимися вероятностными свойствами
  • Глава 11. Примеры решения прикладных задач структурного анализа сигналов и полей данных

Ссылки


Написать письмо В.В. Моттлю.

Личные инструменты