Заседания семинаров
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.- Манцивода А. В.
Модели как мифы и интеллектуальные агенты.
- Витяев Е. Е., Манцивода А. В.
Общая дискуссия: Зачем семантика большим лингвистическим моделям? Зачем человеку две системы обработки информации по Канеману?
Аннотация
Как разрешаются сознанием противоречия посредством образов-моделей по работам Алахвердова - сознание как механизм разрешения противоречий. Единство синтаксиса и семантики в вероятностных формальных понятиях.
Презентация посвящена текущему состоянию платформы bSystem и стратегическим планам ее дальнейшего развития. Архитектура платформы основана на парадигме семантического моделирования и объектных онтологиях. Сейчас платформа предоставляет промышленные инструменты для разработки интеллектуальных приложений и используется в ряде бизнес-проектов.
Недавние работы по развитию самой платформы включают интеграцию объектных онтологий с семантическим вероятностным выводом. Эта интеграция значительно расширяет возможности платформы. Отталкиваясь от этого продвижения, мы рассматриваем стратегические идеи и планы, касающиеся разработки гибридных подходов, которые поддерживают совместную работу семантического моделирования и больших языковых моделей в рамках многокомпонентных интеллектуальных агентов. Работа таких агентов рассматривается как интегральное взаимодействие компонент, имитирующих человеческие интуицию, воображение и рассуждения.
Светов И. Е., Полякова А. П.
Об обращении обобщенных преобразований Радона, действующих на трехмерные векторные и тензорные поля.
Аннотация
В докладе рассматривается задача восстановления трехмерных векторных и симметричных тензорных полей по значениям нормальных, продольных и смешанных преобразований Радона. В случае, когда известны значения всех обобщенных преобразований Радона, установлены связи с преобразованием Радона компонент векторных и симметричных тензорных полей. Получены новые детальные разложения трехмерных векторных и симметричных 2-тензорных полей в виде суммы попарно ортогональных членов. Для построения каждого члена в сумме требуется только одна функция. С использованием этих разложений описаны ядра и образы каждого из обобщенных преобразований Радона. Также исследованы весовые преобразования Радона векторных полей. Полученные результаты дают многочисленные возможности для получения формул обращения и построения алгоритмов реконструкции векторных и тензорных полей.Zoom
В. А. Шарафутдинов (ИМ СО РАН, Новосибирск)
Двумерная задача Кальдерона и плоские метрики.
Литература
V. A. Sharafutdinov, Two-dimensional Calderon problem and flat metrics // arXiv:2501.17471Николаев Ростислав Олегович (НГУ)
Применение больших языковых моделей для анализа временных рядов.
Аннотация
В рамках доклада будет рассмотрено применение больших языковых моделей (LLM) для анализа временных рядов, сочетающее классические методы обработки последовательностей с современными подходами искусственного интеллекта. В выступлении представлен обзор традиционных алгоритмов анализа временных рядов, таких как ARIMA и преобразования Фурье, а также ключевых задач в этой области: прогнозирование, классификация и обнаружение аномалий. Далее обсуждаются возможности LLM, включая их адаптацию к специфическим задачам через zero-shot и few-shot обучение, что позволяет минимизировать потребность в размеченных данных. Особое внимание уделено анализу статьи [Jin M., Tang H., Zhang C., Yu Q., Liu C., Zhu S., et al. Time Series Forecasting with LLMs: Understanding and Enhancing Model Capabilities. arXiv preprint arXiv:240210835. 2024], демонстрирующей эффективность LLM в прогнозировании временных рядов за счет их способности улавливать долгосрочные зависимости и контекстуальные паттерны.Лука Никифоров, С. В. Августинович
Трехэлементные порождающие множества блинчикового графа.