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

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Задача 120)
(Задача 123)
Строка 55: Строка 55:
===Задача 123===
===Задача 123===
-
Антон Бишук
+
* Название: Влияние локдауна на динамику распространения эпидемии
-
 
+
* Задача: Введение локдауна считается эффективной мерой по борьбе с эпидемией. Однако вопреки интуиции оказалось, что при определенных условиях локдаун может привести к росту эпидемии. Данный эффект отсутствует для классических моделей распространения эпидемии «в среднем», но был выявлен при моделировании эпидемии на графе контактов. Задача заключается в поиске формульных и количественных соотношений между параметрами, при которых локдаун может привести к росту эпидемии. Необходимо как выявить такие соотношения в моделях SEIRS/SEIR/SIS/etc на основе фреймворка распространения эпидений SEIRS+ (и ее модификации), так и теоретически обосновать соотношения, полученные из конкретных реализаций эпидении.
-
 
+
* Данные: Задача предполагает работу с модельными и синтетическими данными: имеются готовые данные, а также предполагается возможность генерации новых в процессе решения задачи. Данная задача относится к unsupervised обучению, поскольку реализация эпидемии на графе контактов имеет высокую долю случаныйх событий, а потому требует проводить анализ в среднем на многих синтетически сгенерированных реализациях эпидемии
 +
* Литература:
 +
- T. Harko, Francisco S. N. Lobo и M. Mak. «Exact analytical solutions of the
 +
Susceptible-Infected-Recovered (SIR) epidemic model and of the SIR model with
 +
equal death and birth rates»
 +
- https://github.com/ryansmcgee/seirsplus
 +
* Авторы: А.Ю. Бишук, А.В. Зухба
===Задача 125===
===Задача 125===

Версия 21:11, 9 февраля 2023

Содержание

Задача 112

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

Задача 113

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

Задача 114

  • Название:Моделирование динамики физических систем с помощью Physics-Informed Neural Networks
  • Описание проблемы: Породить набор сверток по имеющимся данным и выбрать лучшую с помощью методов снижения порядка и размерности пространств.
  • Данные: Биомедицинские данные акселерометра и гироскопа, океанические течения, движение барханов, воздушные потоки
  • Литература базовая работа содержит ссылки
  • Базовый алгоритм: Нейросетевой, лагранжевы нейросети.
  • Решение: Нетерова нейросеть.
  • Новизна: Предложенная сеть учитывает симметрию
  • Авторы: Эксперты - Северилов, Стрижов, консультант - Панченко

Задача 115

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

Задача 116

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

Задача 117

  • Название: Поиск зависимости и SSA, теорема Такенса
  • Авторы: Эксперт Стрижов, консультант - Владимиров, Самохина

Задача 118

Denis

Задача 119

А.С. Хританков

Задача 120

  • Название: Дифференцируемый алгоритм поиска ансамблей моделей глубокого обучения с контролем разнообразия
  • Задача: Рассмотривается задача выбора ансамбля моделей. Требуется предложить метод контроля разнообразия базовых моделей на этапе применения.
  • Данные: Fashion-MNIST, CIFAR-10, CIFAR-100 datasets
  • Литература: [1] [Neural Architecture Search with Structure Complexity Control](https://easychair.org/publications/preprint/H5MC), [2] [Neural Ensemble Search via Bayesian Sampling](https://arxiv.org/pdf/2109.02533.pdf), [3] [DARTS: Differentiable Architecture Search](https://arxiv.org/pdf/1806.09055.pdf)
  • Базовой алгоритм: В качестве базового алгоритма предлагается использовать DARTS [3].
  • Решение: Для контроля разнообразия базовых моделей предлагается использовать гиперсеть [1], которая смещает структурные параметры в терминах дивергенции Йенсена—Шеннона. На этапе применения сэмплируются базовые архитектуры с заданным смещением для построения ансамбля.
  • Новизна: Предложенный метод позволяет строить ансамбли с любым количеством базовых моделей без дополнительных вычислительных затрат относительно базового алгоритма.
  • Авторы: К.Д. Яковлев, О.Ю. Бахтеев

Задача 121

Вл. Вановский задача по физикс-информед маншин лернинг?

Задача 122

Исаченко

Задача 123

  • Название: Влияние локдауна на динамику распространения эпидемии
  • Задача: Введение локдауна считается эффективной мерой по борьбе с эпидемией. Однако вопреки интуиции оказалось, что при определенных условиях локдаун может привести к росту эпидемии. Данный эффект отсутствует для классических моделей распространения эпидемии «в среднем», но был выявлен при моделировании эпидемии на графе контактов. Задача заключается в поиске формульных и количественных соотношений между параметрами, при которых локдаун может привести к росту эпидемии. Необходимо как выявить такие соотношения в моделях SEIRS/SEIR/SIS/etc на основе фреймворка распространения эпидений SEIRS+ (и ее модификации), так и теоретически обосновать соотношения, полученные из конкретных реализаций эпидении.
  • Данные: Задача предполагает работу с модельными и синтетическими данными: имеются готовые данные, а также предполагается возможность генерации новых в процессе решения задачи. Данная задача относится к unsupervised обучению, поскольку реализация эпидемии на графе контактов имеет высокую долю случаныйх событий, а потому требует проводить анализ в среднем на многих синтетически сгенерированных реализациях эпидемии
  • Литература:
   - T. Harko, Francisco S. N. Lobo и M. Mak. «Exact analytical solutions of the

Susceptible-Infected-Recovered (SIR) epidemic model and of the SIR model with equal death and birth rates»

   - https://github.com/ryansmcgee/seirsplus
  • Авторы: А.Ю. Бишук, А.В. Зухба

Задача 125

Грабовой, Антиплагиат и команда

Задача 126

Рустем Исламов

Задача 127

Егор Шульгин

Задача 128

Ольга Гребенькова и Олег Бахтеев

Задача 129

  • 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, движение барханов, воздушные потоки
  • Литература
    1. Tensor-based Singular Spectrum Analysis for Automatic Scoring of Sleep EEG
    2. Tensor based singular spectrum analysis for nonstationary source separation
  • 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

Задача 130

  • Авторы: Эксперт - Воронцов, консультант - Полина Потапова

Задача 131

  • Авторы: Эксперт - Воронцов, консультант - Василий Алексеев

Задача 132

  • Авторы: Эксперт - Воронцов, консультант - Светлана Крыжановская

Задача 133

  • Авторы: Эксперт - Воронцов, консультант - Николай Герасименко

Задача 134

  • Авторы: Андрей Филатов?
Личные инструменты