А. А. Шананин, Н. К. Обросова (ФИЦ ИУ РАН, г. Москва).
Модификация метода межотраслевого баланса.
Архив семинара
К. Г. Гадыльшин (ИНГГ СО РАН)
Применение методов машинного обучения в алгоритмах специальной обработки данных сейсморазведки.
Аннотация
Алгоритмы специальной обработки данных сейсморазведки требуют колоссальных вычислительных ресурсов при проведения расчётов, когда речь заходит о современных наземных и морских системах наблюдений. Именно поэтому они не входят в стандартный граф обработки, несмотря на существенно лучшие результаты работы в сравнении со стандартными методами. Представляются подходы на основе методов машинного обучения, позволяющие существенно ускорить работу таких алгоритмов, как полноволновая инверсия, сейсмическое моделирование и нелинейный бимформинг. Основная идея, лежащая в основе такого ускорения, заключается в обучении глубоких свёрточных искусственных нейронных сетей, позволяющих с высокой точностью аппроксимировать возникающие в этих алгоритмах нелинейные операторы, на вычисление которых и приходится основная часть расчётного времени.Д. А. Морозов (НГУ)
Национальный корпус русского языка: история, современное состояние и перспективы развития.
Аннотация
Корпус — это собрание текстов, снабжённое богатыми возможностями поиска. Национальный корпус русского языка (НКРЯ) — самый первый из корпусов текстов русского языка, наиболее сбалансированный (в нем представлены тексты самых разных жанров приблизительно в той пропорции, в которой с ними сталкивается обычный носитель языка) и имеющий наибольшую академическую поддержку (разработкой корпуса занимается большая команда лингвистов). Он охватывает период от первых восточнославянских памятников (XI век) до первых десятилетий XXI века и насчитывает на сегодняшний день около двух миллиардов слов. Появление НКРЯ тесно связано с компанией Яндекс, а первая версия Корпуса использовала в качестве движка Яндекс.Сервер. В то же время корпусный поиск достаточно сильно отличается от поиска в Интернете и требует разработки специализированной поисковой системы. В своём докладе я рассмотрю особенности архитектуры НКРЯ, требования к организации хранения данных и поиска по ним, а также создание новых нейросетевых инструментов поиска и визуализации.И. Ю. Бондаренко (НГУ)
"Я знаю, что ничего не знаю": о неопределённости в глубоких нейронных сетях. II.
Аннотация
Большинство современных систем искусственного интеллекта основаны на машинном обучении с использованием специально подготовленной обучающей выборки. Но никто не может гарантировать, что входные данные во время работы обученной системы всегда будут из той же генеральной совокупности, что и обучающие данные. Сдвиг данных может произойти при изменении условий получения этих данных. В новых условиях ошибки свойственны всем - и людям, и машинам. Однако человек осознает пределы своей компетентности и понимает, когда он может с уверенностью делать прогноз, а когда его оценки приблизительны. А искусственный интеллект? Обычно большие модели искусственного интеллекта (например, глубокие нейронные сети или градиентное ускорение) очень эффективны на типичных данных, но оптимистичны и самоуверенны на нетипичных данных. Но ведь у искусственного интеллекта тоже должны быть сомнения при обработке нетипичных данных: ему лучше отказаться от составления прогноза и сообщить об этом наблюдателю-человеку, чем уверенно делать ошибочный прогноз, из-за которого бизнес может понести финансовые и репутационные потери. И в своем докладе я попытаюсь раскрыть способ научить искусственный интеллект сомневаться и моделировать неопределенность, а также обсужу метрики, с помощью которых можно попытаться одновременно измерить способность сомневаться в незнакомой ситуации и дать качественный прогноз в знакомых условиях.А. Н. Соболевский (ИППИ РАН, Москва)
Немного о математических моделях космологической эволюции.
Аннотация
После небольшого введения в стандартные приближения ньютоновой теории космологической эволюции (приближение Зельдовича и приближение прилипания) будет рассказано о том, как можно под этим углом зрения рассматривать точные кинетические уравнения эволюции (уравнения Власова-Пуассона в монокинетическом приближении). Математически там возникают очень простые уравнения: качественно правильную картину можно получить уже из анализа явных решений трехмерного уравнения Бюргерса, что было обнаружено еще Я. Б. Зельдовичем и В. И. Арнольдом. Прецизионное численное моделирование эволюции в монокинетическом приближении Власова-Пуассона, которое выполнил Stephane Colombi из Institut d'Astrophysique de Paris, не только приводит к очень красивым (и нигде не опубликованным) картинкам, которые я покажу, но и неожиданно хорошо описывается в терминах подхода Зельдовича — о чем сам Яков Борисович, вероятно, не знал.Доклады аспирантов кафедры
- И. З. Абдыкаимов
Топология на множестве операторов, задаваемых в топологических векторных пространствах.
Научный руководитель – И. А. Тайманов. - Ю. Д. Ефременко
Классы Лосика слоений малой коразмерности.
Научный руководитель – В. П. Голубятников. - М. Н. Лапштаев
Спектральные характеристики магнитных потоков.
Научный руководитель – И. А. Тайманов. - А. Сеннинджер
Ортогональные криволинейные системы координат и пучки без кручения над приводимыми спектральными кривыми.
Научный руководитель – И. А. Тайманов.
И. Ю. Бондаренко (НГУ)
"Я знаю, что ничего не знаю": о неопределённости в глубоких нейронных сетях.
Аннотация
Большинство современных систем искусственного интеллекта основаны на машинном обучении с использованием специально подготовленной обучающей выборки. Но никто не может гарантировать, что входные данные во время работы обученной системы всегда будут из той же генеральной совокупности, что и обучающие данные. Сдвиг данных может произойти при изменении условий получения этих данных. В новых условиях ошибки свойственны всем - и людям, и машинам. Однако человек осознает пределы своей компетентности и понимает, когда он может с уверенностью делать прогноз, а когда его оценки приблизительны. А искусственный интеллект? Обычно большие модели искусственного интеллекта (например, глубокие нейронные сети или градиентное ускорение) очень эффективны на типичных данных, но оптимистичны и самоуверенны на нетипичных данных. Но ведь у искусственного интеллекта тоже должны быть сомнения при обработке нетипичных данных: ему лучше отказаться от составления прогноза и сообщить об этом наблюдателю-человеку, чем уверенно делать ошибочный прогноз, из-за которого бизнес может понести финансовые и репутационные потери. И в своем докладе я попытаюсь раскрыть способ научить искусственный интеллект сомневаться и моделировать неопределенность, а также обсужу метрики, с помощью которых можно попытаться одновременно измерить способность сомневаться в незнакомой ситуации и дать качественный прогноз в знакомых условиях.Информация о семинаре
Руководитель:
академик, д.ф.-м.н. И. А. Тайманов
Время и место проведения:
Понедельник, 10.45 ч., к. 417, ИМ
