Аспирантский семинар

Место: Факультет компьютерных наук, Кочновский проезд, д. 3, ауд. 205
Время: 20 октября, 18:10 – 19:30 

Доклады состоятся в рамках научно-исследовательского семинара аспирантской школы по компьютерным наукам.

Первый доклад

Тема:  Извлечение, редактирование и вставка лиц людей на цифровых изображениях методами машинного обучения
Докладчик: Николай Амиантов, аспирант первого года обучения, департамент компьютерной инженерии МИЭМ

Редактирование объектов на изображениях включает в себя извлечение некоторой модели объекта с количеством информации, достаточным как для высокоуровневого редактирования его параметров, так и для дальнейшего восстановления изображения с приемлемым качеством. В докладе будут описаны известные специальные методы для извлечения информации о лице человека и проблемы обратного встраивания изображения. Будет показана существующая модель лица на изображении как совокупность нескольких раздельных слоёв (освещения, фона, информации о нормалях и проч.) и предложены способы разделения исходного изображения на слои и восстановления. Также будут продемонстрированы практическая реализация модели на основе нейросетей, способы её применения для наших задач, и будет рассказано о необходимом наборе данных для обучения модели и процессе его построения.

Второй доклад

Тема:  Факторизация матриц при помощи нейронных сетей
Докладчик: Александр Гребенюк, аспирант первого года обучения, департамент компьютерной инженерии МИЭМ

Факторизация матриц часто выступает подзадачей во множестве задач анализа данных, теории принятия решений и прикладной математики. Актуальной является проблема поиска быстрых алгоритмов вычисления различных разложений или их аппроксимаций с высокой точностью.

Доклад посвящен краткому обзору некоторых разложений матриц с описанием областей их применения. В докладе обсуждаются достоинства и недостатки подхода с использованием нейронных сетей для решения этой задачи. 

Третий доклад

Тема: Принципы и методы эксплоративного выделения и анализа подгрупп пациентов для персонализации лечения
Докладчик: Наталья Корепанова, аспирантка первого года обучения, департамент анализа данных и искусственного интеллекта факультета компьютерных наук

Персонализацией лечения в общем случае называют выявление характеристик пациента, при которых наблюдается «значимое» различие в ответе на разные стратегии лечения. Поэтому сравнение эффективности нескольких стратегий лечения в подгруппах пациентов, определяемых характеристиками пациентов, можно считать одним из вариантов персонализации лечения. На сегодняшний момент выделяют два основных подхода к анализу подгрупп: конформативный (подтверждающий) и эксплоративный (исследующий). Целью конформативного подхода является проверка гипотез в подгруппах, сформулированных на основе априорных знаний и ожиданий специалистов предметной области до начала сбора данных для проверки, например, на этапе планирования исследования. Эксплоративный подход нацелен на выявление подгрупп и гипотез на основе собранных данных для выявления новых знаний о взаимодействии характеристик пациента с выбором лечения. При этом подходе оценка адекватности полученных результатов производится на тех же данных, которые были использованы для генерации подгрупп. Именно эксплоративный подход является предметом активных исследований в области анализа подгрупп, так как  медицинская статистика в классическом понимании ограничена средствами конформативного подхода, которых недостаточно для решения задач о персонализации. В докладе будет представлен обзор сформулированных в литературе принципов и существующих методов эксплоративного выделения и анализа подгрупп пациентов для выбора наилучшего лечения. Также будут представлены собственные наработки в этом направлении.

Четвертый доклад

Тема: Подходы к классификации на основе правил: случайные леса vs классификаторы на основе замкнутых множеств признаков
Докладчик: Татьяна Махалова, аспирантка первого года обучения, департамент анализа данных и искусственного интеллекта факультета компьютерных наук

Случайные леса доказали свою эффективность и высокую точность в решении широкого класса различных задач в самых разнообразных предметных областях. Однако качество обучения во многом зависит от таких параметров модели как размер бутстрэп-выборки, минимальный размер листьев и максимальная глубина деревьев, количество признаков, используемых для построения отдельного дерева. Обученная модель представляет собой множество правил. В докладе будет представлен детерминированный подход к построению правил на основе вычисления замкнутых множеств признаков. Составленный из подобных правил-классификаторов ансамбль обладает точностью, сравнимой с точностью случайных лесов и требует подбора меньшего количества параметров.

Пятый доклад

Тема: Критерии слабой консервативности для КГД-схем одномерных уравнений газовой динамики
Докладчик: Тимофей Ломоносов, аспирант первого года обучения, департамент математики факультета экономических наук

Рассматриваются явные двухслойные по времени и симметричные по пространству разностные схемы для системы уравнений одномерной баротропной газовой динамики. Схемы основаны на специальных квазигазо- и квазигидродинамических регуляризациях этой системы. Для линеаризованных на постоянном решении схем выводятся необходимое условие типа фон Неймана и критерий слабой консервативности задачи Коши по начальным данным в пространстве квадратично суммируемых функций.