Моя первая научная статья (лекции и практика)/Сборник, весна 2023

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 1: Строка 1:
{{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}}
{{Main|Численные методы обучения по прецедентам (практика, В.В. Стрижов)}}
 +
===Задача 112===
 +
* '''Название:''' ECoG - video
 +
* '''Авторы:''' Эксперт Грабовой, консультант -
-
===Задача 74===
+
===Задача 113===
-
* '''Название:''' Existence conditions for hidden feedback loops in recommender systems
+
* '''Название:''' ECoG - audio
-
* '''Описание проблемы:''' В рекомендательных системах известен эффект искусственного непреднамеренного ограничения выбора пользователя вследствие адаптации модели к его предпочтениям (echo chamber/filter bubble). Эффект является частным случаем петель скрытой обратной связи (hidden feedback loop). (см. - Analysis H.F.L.). Выражается в том, что путем рекомендации одних и тех же интересных пользователю объектов, алгоритм максимизирует качество своей работы. Проблема в а) недостаточном разнообразии б) насыщении / изменчивости интересов пользователя.
+
* '''Авторы:''' Эксперт Грабовой, консультант -
-
* '''Задача: '''Понятно, что алгоритм не знает интересов пользователя и пользователь не всегда честен в выборе. При каких условиях, каких свойствах алгоритма обучения и нечестности (отклонении выбора пользователя от его интересов) будет наблюдаться указанный эффект? Уточнение. Рекомендательный алгоритм выдает пользователю объекты a_t на выбор. Пользователь выбирает один из них c_t из Бернулли от модели интереса mu(a_t) . На основе выбора пользователя алгоритм изменяет свое внутреннее состояние w_t и выдает следующий набор объектов пользователю. На бесконечном горизонте нужно максимизировать суммарное вознаграждение sum c_t. Найти условия существования неограниченного роста интереса пользователя к предлагаемым объектам в рекомендательной системе с алгоритмом Thomson Sampling (TS) MAB в условиях зашумленности выбора пользователя c_t. Без шума известно, что всегда неограниченный рост (в модели) [1].
+
 
-
* '''Данные:''' создаются в рамках эксперимента (имитационная модель) по аналогии со статьей [1], внешние данные не требуются.
+
===Задача 114===
 +
* '''Название:''' * '''Название:'''Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений
 +
* '''Описание проблемы:''' Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
 +
* '''Данные:''' Потребление и цена электроэнергии, океанические течения, воздушные потоки
* '''Литература'''
* '''Литература'''
-
*# Jiang, R., Chiappa, S., Lattimore, T., György, A. and Kohli, P., 2019, January. Degenerate feedback loops in recommender systems. In Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society (pp. 383-390).
+
*#
-
*# Khritankov, A. (2021). Hidden Feedback Loops in Machine Learning Systems: A Simulation Model and Preliminary Results. In International Conference on Software Quality (pp. 54-65). Springer, Cham.
+
* '''Базовый алгоритм:''' Гусеница, тензорная гусеница.
-
*# Khritankov A. (2021). Hidden feedback loop experiment demo. https://github.com/prog-autom/hidden-demo
+
* '''Решение:''' Найти мультиериодический временной ряд, построить его тензорное представление, разложить в спектр, собрать, показать прогноз.
-
* '''Базовый алгоритм:''' Исходная математическая модель исследуемого явления описана в статье [1]. Метод экспериментального исследования - в статье [2]. Базовый исходный код доступен в [3]
+
* '''Новизна:''' Показать, что мультилинейная модель является удобным способом построения сверток для измерений в пространстве и времени.
-
* '''Решение:''' Нужно вывести условия существования положительной обратной связи для алгоритма Thomson Sampling Multi-armed Bandit исходя из известных теоретических свойств этого алгоритма. Затем проверить их выполнение в имитационной модели. Для проверки выполняется серия экспериментов с исследованием диапазонов параметров и оценкой ошибки (variance) моделирования. Результаты сопоставляются с построенной ранее математической моделью эффекта. Есть реализация системы проведения эксперимента, которую можно доработать для данной задачи.
+
* '''Авторы:''' Эксперт - Стрижов, консультант - Моложавенко?
-
* '''Новизна:''' Исследуемый эффект положительной обратной связи наблюдается в реальных и модельных системах и описан во многих публикациях как нежелательное явление. Есть его модель для ограниченного случая отсутствия шума в действиях пользователя, что не реализуется на практике. В предлагаемых условиях задача ранее не ставилась и не решалась для рекомендательных систем. Для задачи регрессии решение известно.
+
 
-
* '''Авторы:''' Эксперт, консультант - Антон Хританков
+
===Задача 115===
 +
* '''Название:''' Дистилляция знаний в глубоких сетях и выравнивание моделей
 +
*
 +
* '''Авторы:''' Эксперт Бахтеев, Стрижов, консультант -
 +
 
 +
===Задача 116===
 +
* '''Название:''' Нейронные дифференциальные уравнения для моделирования физической активности – выбор моделей
 +
* '''Авторы:''' Эксперт, консультант - Самохина
 +
 
 +
===Задача 117===
 +
* '''Название:''' Поиск зависимости
 +
* '''Авторы:''' Эксперт, консультант - Самохина
 +
 
 +
 
 +
===Задача 117===
 +
* '''Название:''' * '''Название:''' Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений
 +
 
 +
 
 +
 
 +
===Задача 118===
 +
 
 +
 
 +
===Задача 119===
 +
 
 +
 
 +
===Задача 120===
 +
 
 +
 
 +
===Задача 121===
 +
 
 +
 
 +
===Задача 122===

Версия 19:03, 5 февраля 2023

Основная статья: Численные методы обучения по прецедентам (практика, В.В. Стрижов)

Содержание

Задача 112

  • Название: ECoG - video
  • Авторы: Эксперт Грабовой, консультант -

Задача 113

  • Название: ECoG - audio
  • Авторы: Эксперт Грабовой, консультант -

Задача 114

  • Название: * Название:Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений
  • Описание проблемы: Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
  • Данные: Потребление и цена электроэнергии, океанические течения, воздушные потоки
  • Литература
  • Базовый алгоритм: Гусеница, тензорная гусеница.
  • Решение: Найти мультиериодический временной ряд, построить его тензорное представление, разложить в спектр, собрать, показать прогноз.
  • Новизна: Показать, что мультилинейная модель является удобным способом построения сверток для измерений в пространстве и времени.
  • Авторы: Эксперт - Стрижов, консультант - Моложавенко?

Задача 115

  • Название: Дистилляция знаний в глубоких сетях и выравнивание моделей
  • Авторы: Эксперт Бахтеев, Стрижов, консультант -

Задача 116

  • Название: Нейронные дифференциальные уравнения для моделирования физической активности – выбор моделей
  • Авторы: Эксперт, консультант - Самохина

Задача 117

  • Название: Поиск зависимости
  • Авторы: Эксперт, консультант - Самохина


Задача 117

  • Название: * Название: Пространственно-временное прогнозирование с помощью сверточных сетей и тензорных разложений


Задача 118

Задача 119

Задача 120

Задача 121

Задача 122

Источник — «http://www.machinelearning.ru/wiki/index.php?title=%D0%9C%D0%BE%D1%8F_%D0%BF%D0%B5%D1%80%D0%B2%D0%B0%D1%8F_%D0%BD%D0%B0%D1%83%D1%87%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D0%B0%D1%82%D1%8C%D1%8F_%28%D0%BB%D0%B5%D0%BA%D1%86%D0%B8%D0%B8_%D0%B8_%D0%BF%D1%80%D0%B0%D0%BA%D1%82%D0%B8%D0%BA%D0%B0%29/%D0%A1%D0%B1%D0%BE%D1%80%D0%BD%D0%B8%D0%BA%2C_%D0%B2%D0%B5%D1%81%D0%BD%D0%B0_2023»
Личные инструменты