Михайлова Людмила Викторовна
Задачи восстановления квазипериодических последовательностей по их зашумленной сумме.
Архив семинара
Мирошниченко Любовь Александровна
Алгоритмические аспекты анализа символьных последовательностей.
Аннотация
В докладе будут рассмотрены алгоритмические аспекты анализа символьных последовательностей произвольной языковой природы, а также их применение в различных прикладных областях. Особый интерес представляют любые проявления повторности: от локальных структурных закономерностей в бактериальных геномах до общих фрагментов из разных геномов, учитываемых при формировании матрицы попарной близости. Для решения задач, связанных с анализом и дешифровкой древнерусских знаменных песнопений методы обобщены на случай «параллельных» текстов.Рязанцев Глеб (асп. ИМ СО РАН)
Использование методов глубокого обучения на рентгеновских изображениях для диагностики спондилолистеза.
Аннотация
В докладе будет представлен новый многоэтапный алгоритм глубокого обучения для анализа медицинских рентгеновских изображений с целью локализации позвоночного столба, а затем одновременного обнаружения отдельных позвонков и количественной оценки спондилолистеза. Проводится обучение нейронной сети для всех этапов пайплайна, который включает в себя различные задачи, такие как: сегментация, детекция, классификация.Панасенко О. В.
Аппроксимационная схема для задачи взвешенной 2-кластеризации конечной последовательности точек евклидова пространства с произвольными весами.
Аннотация
Исследуемая задача является обобщением ряда NP-трудных задач анализа данных на случай произвольных весовых множителей с дополнительными ограничениями на номера элементов кластера. Среди обобщаемых задач можно выделить такую известную задачу, как $M$-Variance (весовые множители 1 и 0), и многие задачи, которыми занимался А. В. Кельманов со своими учениками.
В докладе будет представлен приближенный алгоритм с гарантированными оценками точности и трудоемкости, реализующий схему FPTAS в случае, когда размерность пространства фиксирована.
Кальмуцкий К. О. (НГУ)
Слабо-контролируемое обучение: задачи, метод решения и примеры.
Аннотация
Слабо-контролируемое обучение представляет собой перспективное направление в машинном обучении, позволяющее сократить затраты на разметку данных, сохраняя при этом высокую эффективность обученных моделей. В докладе будут рассмотрены постановки задач, алгоритмы и методы решения, используемые в слабо-контролируемом обучении, а также практические примеры задач, где эти методы находят свое применение.Информация о семинаре
Руководитель:
В. Б. Бериков
Время и место проведения:
Четверг, 15.00 ч., ауд. 115, ИМ
