И. С. Борисов
Об одном экстремальном свойстве автонормированных сумм симметрично распределенных независимых слагаемых.
Архив семинара
А. В. Логачев
Закон повторного логарифма для функционалов от винеровского процесса.
Аннотация
Доклад посвящен теореме о законе повторного логарифма для дифференцируемых по Фреше функционалов от винеровского процесса. Будет приведена эта теорема и ее доказательство. Доклад по материалам статьи A. V. Logachov, A. A. Yambartsev, The law of the iterated logarithm for functionals of the Wiener process // Statistics & Probability Letters, 2025, Vol. 219. no. 110341.П. С. Рузанкин
Статистические правила останова итерационных алгоритмов реконструкции изображения в эмиссионной томографии.
Аннотация
Доклад основан на статье P. S. Ruzankin, N. V. Denisova, A statistical stopping rule for iterative image reconstruction in emission tomography (статья сдана в печать).
В докладе будет рассказано о статистических правилах останова итерационных алгоритмов реконструкции изображения в эмиссионной томографии.
П. С. Рузанкин
Быстрый состоятельный сеточный алгоритм кластеризации.
Аннотация
Доклад основан на статье: Tarasenko, A. S.; Berikov, V. B.; Pestunov, I. A.; Rylov, S. A.; Ruzankin, P. S. A fast consistent grid-based clustering algorithm. Pattern Analysis and Applications. 2024. В этой работе был предложен новый сеточный алгоритм кластеризации, особенностью которого является выделение ячеек, содержащих "большое" количество наблюдений. Кластером признается связное множество ячеек с количеством наблюдений выше некоторого заданного уровня, содержащее хотя бы одну ячейку с "большим" количеством наблюдений. Такой подход позволяет отсеять "шум", возникающий на границах кластеров, и доказать состоятельность алгоритма.Совместное заседание семинара «Прикладная статистика» и Семинара лаборатории ИИ-технологий математического моделирования биологических, социально-экономических и экологических процессов
А. В. Неверов
Применение регрессии на основе гауссовских процессов.
Аннотация
В докладе будет рассмотрена практическая сторона применения регрессионных моделей на основе гауссовских процессов. Этот метод является непараметрическим, а вид итоговой регрессионной функции определяется видом ядра, характеризующего расстояние между функциями. Это даёт большую гибкость по сравнению с классическими методами за счёт большей вычислительной сложности алгоритма. В докладе будет показано, как можно воспроизводить этим методом классические регрессионные методы, а также их модификации и комбинации. В заключение будет рассмотрена концепция автоматического адаптивного подбора ядра регрессии в зависимости от исходной выборки и практические примеры применения.В. А. Топчий, А. В. Еремеев
Пошаговая асимптотика в генетических алгоритмах, основанная на распределении Гумбеля.
Аннотация
Отличительной особенностью эволюционных алгоритмов (ЭА) для решения задач оптимизации является имитация случайного процесса эволюционной адаптации биологической популяции к условиям окружающей среды. Особи соответствуют пробным точкам в пространстве решений задачи оптимизации, а приспособленность особей определяется значениями целевой функции. Построение новых пробных точек в ЭА осуществляется посредством операторов мутации и кроссинговера. При использовании кроссинговера алгоритмы принято называть генетическими. Множество бинарных векторов называется популяцией, а его элементы - особями. Первичные исследования новых ЭА традиционно проводятся для onemax весовой функции $f(x)=|x|$. Это одноэкстремальная задача. В генетическом алгоритме $(1+(\lambda,\lambda))$ из работы (Doerr, Doerr, Ebel, 2015) единственная родительская особь порождает $\lambda=\lambda(n)\to\infty $ потомков независимо друг от друга на случайном расстоянии Хэмминга $\ell$ от родителя, а затем одна из них с максимальным весом кроссинговером (каждый его бит сохраняется с вероятностью $\lambda^{-1}$, иначе берётся бит родителя) с родителем порождает $\lambda$ потомков независимо друг от друга, из которых выбирается наилучший. Если она не хуже родителя, то становится новым родителем и независимо от истории запускается новый цикл до попадания в оптимальный вектор, иначе родитель не изменяется и начинается новый цикл. Одна из проблем: найти оценки для среднего числа вычислений целевой функции. Традиционно описывается вероятность увеличения нормы родителя за один цикл и в их терминах производятся требуемые оценки. Мы предлагаем учесть величину приращения нормы Хемминга для нового родителя на основе предельных теорем, включая сходимость к распределению Гумбеля для максимума случайных величин. Это позволяет усилить некоторые имевшиеся ранее результаты.Н. С. Аркашов
Моментные неравенства для суммы взвешенных независимых одинаково распределенных случайных величин.
Аннотация
Получены верхние и нижние оценки для моментов бесконечной суммы взвешенных независимых одинаково распределенных случайных величин. Представленные неравенства обобщают известные неравенства Хинчина.Информация о семинаре
Руководители:
П. С. Рузанкин, Ю. Ю. Линке, И. С. Борисов
Время и место проведения:
Понедельник, 15.00 ч., 
