ИМ СО РАН 
Вход для сотрудников

Семинар «Теория статистических решений»

Архив семинара

Кладов Д. Е.
Прогнозирование потребления электроэнергии и кластеризация паттернов потребления электроэнергии умного дома на основе ансамблевых методов машинного обучения.

АннотацияВ работе рассматривается задача прогнозирования потребления электроэнергии и кластеризации паттернов потребления для частного домохозяйства. Для повышения точности и робастности кластеризации был разработан и применен ансамблевый алгоритм на основе метрики Вассерштейна. Предложенный подход позволяет выделить типичные сценарии энергопотребления, интерпретировать поведение потребителя и повысить точность краткосрочного прогноза.

Михайлапов Д. И.
Коррекция маски на трехмерных томографических изображениях головного мозга для слабо контролируемой сегментации острого ишемического инсульта.

Аннотация

В работе представлен метод слабо контролируемой сегментации трехмерных изображений головного мозга, полученных с использованием компьютерной томографии для диагностики острого ишемического инсульта. Метод основан на применении карты расстояний и карты весов для улучшения качества сегментации пораженных областей, что позволяет обозначить значимость центральных областей и корректировать важность спорных пограничных участков.

Так же используется метод сглаживания масок сегментации для сокращения малых областей, что способствует минимизации дефектов разметки и улучшению качества анализа. Использование карт расстояний в функции потерь при слабо контролируемом обучении модели позволяет обозначить значимость центральных областей и корректировать важность спорных пограничных участков.

В исследовании используются два типа данных: основной набор, состоящий из разметки, выполненной одним рентгенологом, и вспомогательный набор меньшего объема с несколькими вариантами разметки от различных специалистов. Анализ вспомогательного набора позволяет выявить ключевые характеристики несоответствий в разметке, возникающие вследствие сложности исследуемых изображений.

Для сегментации основного набора данных применяется модель U-Net в трехмерном формате. Используются функции потерь DICE и Focal для обучения модели, а для оценки качества прогноза применяется DICE-коэффициент. Экспериментальные результаты подтверждают эффективность предложенного метода.

Кладов Данил Евгеньевич
Прогнозирование временных рядов с использованием кластерного анализа.

АннотацияНа основе кластеризации данных непрерывного мониторинга глюкозы и методов машинного обучения, разработан ансамблевый алгоритм прогнозирования ночных уровней глюкозы у пациентов с сахарным диабетом 1 типа. В докладе приводятся результаты исследования работы алгоритма на реальных данных.

Кладов Д. Е. (НГУ) выступит с докладом:
Алгоритм прогнозирования временных рядов с использованием ансамблевого кластерного анализа.

Емельянов А. М. (НГУ) реферирует статью:
S. Mohonta, M. Motin, D. Kumar,
Electrocardiogram based arrhythmia classification using wavelet transform with deep learning model, Sensing and Bio-Sensing Research, Volume 37, 2022, 100502.

Михайлапов Д. И. (НГУ)
Дистилляция знаний для Antialiasing эффекта.

АннотацияДистилляция знаний — метод эффективного обучения глубоких нейронных сетей. В классической постановке "модель-ученик" сеть настраивается копировать ответы обученной модели-учителя. В нашей работе используется метод само-дистилляции, когда модели не требуется учитель. Сеть обучается выдавать одинаковый ответ на аугментированных вариантах одних и тех же изображений, что улучшает устойчивость к шумам (antialiasing).

Козинец Р. М. (НГУ)
Интерпретируемое распознавание изображений с помощью комбинации глубоких нейронных сетей и деревьев решений.

Список семинаров

Информация о семинаре

Информация о семинаре

Руководитель:
д.т.н. В. Б. Бериков

Время и место проведения:
Вторник, 10.50 ч., к. 115, ИМ

***

Семинары ИМ СО РАН