|
 |
Крохалев
Евгений
Михайлович
инженер-исследователь
с более чем 20-летним опытом в области
информационного поиска,
машинного обучения, компьютерного зрения и оптической навигации.
ведущий мастер-класса
|
| Соруководитель секции: |
 |
Методы машинного обучения и
архитектуры интеллектуальных систем
Секция посвящена обсуждению методов машинного обучения, а также принципов построения и реализации
архитектур интеллектуальных систем, ориентированных на обработку данных, принятие решений и автоматизацию
анализа сложных процессов.
На секции ожидаются доклады, в которых методы машинного обучения рассматриваются не изолированно,
а как часть целостных интеллектуальных систем, ориентированных на решение практических и исследовательских задач.
Тематика секции включает, но не ограничивается следующими направлениями:
- Классические и современные методы машинного обучения
- Глубокие нейронные сети и методы представления данных
- Обучение с подкреплением и методы принятия решений
- Вероятностные и статистические модели в задачах обучения
- Обработка неструктурированных данных (тексты, изображения, временные ряды, графы)
- Архитектуры интеллектуальных систем и построение ML-пайплайнов
- Интеграция методов машинного обучения в прикладные и встраиваемые системы
- Оптимизация, ускорение и распараллеливание алгоритмов обучения и вывода
- Интерпретируемость, надежность и верификация интеллектуальных систем
- Прикладные задачи анализа данных и построения интеллектуальных сервисов
|
| вт 28 апреля |
 |
дневная секция |
| ауд. 4337 |
|
Поваляев Н.Д., Крылатов А.Ю.
Применение методов кластерного анализа для исследования структуры транспортного графа при различных условиях движения
Попович П.Д.
PromeTorch: прототип фреймворка глубокого обучения для VLIW-ускорителей семейства NMC4
Попович П.Д.
Методология построения русскоязычного обучающего корпуса из учебной литературы с автоматической ёфикацией
Попович П.Д.
TrueKAN: применение чебышёвских KANслоёв в языковой модели на масштабе 853 миллионов параметров
Родионова К.Д.
Разработка системы на основе агентов для поиска SQL ingection, Missing Rate Limiting, IDOR уязвимостей.
Терещенко Д.В., Корхов В.В.
Гибридный метод MA-VCG-QMIX на основе аукционного механизма Викри–Кларка–Гровса для адаптивного распределения ресурсов в многоагентных системах граничных вычислений
Бизяркин Я.С., Литвинов Н.Н., Корхов В.В.
Адаптивная агрегация данных в беспроводных сенсорных сетях при управлении мощностью передачи
Егоров Д.И.
Эвристический подход к адаптации чебышёвского ускорения для задач выпуклой оптимизации
Мулюков А.А.
О условиях сходимости рандомизированного алгоритма оценивания параметров линейной регрессии
Ерофеевский Д.В.
Вероятностное прогнозирование траекторий движения судов на основе кластеризации АИС-данных и регрессионных моделей на основе гауссовских процессов
Архипов И.С.
Мультимодальное слежение в сенсорной сети с консенсус-регуляризацией: алгоритм и матричная граница ковариации
|
|
|
