Участник:A m0r0z0v

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Отчеты о научно-исследовательской работе)
Текущая версия (16:18, 24 декабря 2020) (править) (отменить)
(Осень 2018)
 
(1 промежуточная версия не показана)
Строка 67: Строка 67:
}}
}}
[[Media:MottlIDP18_1.pdf | Презентация]]
[[Media:MottlIDP18_1.pdf | Презентация]]
 +
 +
[[Media:IDP18.pdf | Тезисы]]
'''Доклад на научной конференции'''
'''Доклад на научной конференции'''
Строка 188: Строка 190:
'''Публикация'''
'''Публикация'''
*{{биб.статья
*{{биб.статья
-
|автор = V. Mottl, V. Sulimova, O. Krasotkina, A. Morozov, A. Tatarchuk, I. Pugach.
+
|автор = A. Morozov, B. Angulo, V. Mottl, O. Krasotkina, A. Tatarchuk
|заглавие = Selectivity Verification in High Dimensional Dependence Models
|заглавие = Selectivity Verification in High Dimensional Dependence Models
|год = 2020
|год = 2020

Текущая версия

Морозов Алексей Олегович

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

ao.morozov@phystech.edu

Содержание

Отчеты о научно-исследовательской работе

Осень 2017

Исследование свойств функции обоснованности в линейных моделях зависимости данных

Разработка алгоритмов максимизации функции обоснованности обобщенных линейных моделях данных

Весна 2017

Исследование метода максимального правдоподобия для выбора значений гиперпараметров в моделях зависимости данных

Разработка алгоритмов максимизации функции правдоподобия обобщенных линейных и нелинейных моделях данных

Осень 2017

Верификация моделей нестационарных зависимостей

Разработка алгоритмов скользящего контроля для регрессионных моделей с ограничениями.

Весна 2018

Идентификации модели нестационарного портфеля по временному ряду его доходностей и большому массиву доходностей биржевых активов

Разработаны алгоритмы регуляризации моделей инвестиционных портфелей по принципу минимума риска разорения. Принята к печати научная статья в журнале Springer.

Доклад на научной конференции

  • O. Krasotkina, V. Mottl, A. Morozov, D. Babichev, I. Pugach, M. Markov Constrained Regularized Regression Model Search in Large Sets of Regressors // Machine Learning and Data Mining in Pattern Recognition. MLDM 2018. Lecture Notes in Computer Science, vol 10935. Springer, Cham. — 2018. — С. 394--408.

DOI: https://doi.org/10.1007/978-3-319-96133-0_30

ISBN: 978-3-319-96133-0

Ссылка на статью

Осень 2018

Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей

Обеспечена линейная вычислительная сложность алгоритма поиска состава портфеля в очень большом множестве всех биржевых активов, в то время, как сложность по относительно небольшому числу наблюдений остается полиномиальной.

Доклад на научной конференции

  • Моттль В. В., Морозов А. О., Красоткина О. В., Медведев А. В. Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей // Интеллектуализация обработки информации (ИОИ-2018): Тезисы докл.— Москва: Торус Пресс, 2018. С. 104–105..

Презентация

  • Моттль В. В., Морозов А. О., Красоткина О. В. Оценивание состава инвестиционного портфеля в большом множестве биржевых активов // Интеллектуализация обработки информации (ИОИ-2018): Тезисы докл.— Москва: Торус Пресс, 2018. С. 100–101..

Презентация

Тезисы

Доклад на научной конференции

  • Морозов А. О., Моттль В. В. Алгоритмическая реализация методологии оценивания состава инвестиционных портфелей // 61-я Всероссийская научная конференция МФТИ: Труды, Прикладная математика и информатика — МФТИ, 2018. С. 116–118..

Тезисы

Весна 2019

Алгоритмическая реализация восстановления зависимостей произвольного вида в больших массивах данных

Исследован класс обобщенных линейных моделей зависимостей, включающий модели числовой регрессии и двухклассового распознавания образов в типичной для практики ситуации, когда вектор признаков объектов имеет очень большую размерность, а число объектов в обучающей совокупности относительно невелико. Установлено, что вычислительная сложность таких задач линейна по числу признаков и полиномиальна по размеру обучающей совокупности.

Публикация

  • V. Mottl, A. Morozov, O. Krasotkina, V. Sulimova, I. Pugach, A. Tatarchuk Linear complexity algorithms for high dimensional SVM and regression problems with smart sparse regularization. — 2019.

Ссылка на статью

Осень 2019

Снижение вычислительной сложности восстановления обобщенных линейных моделей зависимостей

Создание единой методологии построения алгоритмов восстановления широкого класса зависимостей по большим массивам эмпирических данных в терминах обобщенных линейных моделей

Доклад на научной конференции

  • Морозов А. О., Моттль В. В., Сулимова В. В. Последовательное восстановление обобщенных линейных моделей зависимостей по возрастающей обучающей совокупности // Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с..

Презентация

  • Ангуло Б. Ф., Морозов А. О., Моттль В. В. Метод дифференциальной поэлементной кросс-валидации для выбора уровня сложности обобщенных линейных моделей зависимостей // Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с..

Презентация

  • Моттль В. В., Сулимова В. В., Морозов А. О., Пугач И. А., Татарчук А. И. Вычислительная сложность восстановления обобщенных линейных моделей зависимостей // Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с..

Презентация

  • Сулимова В. В., Красоткина О. В., Виндридж Д., Моттль В. В., Морозов А. О. Интерфейс мозг-компьютер: Распознавание визуальных электроэцефалографических потенциалов врача при чтении маммограмм // Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с..

Презентация

ISBN: 978-5-907036-76-5

Публикация

  • V. Mottl, O. Krasotkina, V. Sulimova, A. Morozov, I. Pugach, A. Tatarchuk. Linear complexity algorithms for high dimensional SVM and regression problems with smart sparse regularization // Proceedings, Machine Learning and Data Mining in Pattern Recognition, Petra Perner (Ed.), 15th International Conference on Machine Learning and Data Mining, MLDM 2019, vol. I, New York, NY, USA, July 20-25, 2019, ibai-publishing, ISSN (Print) 1864-9734, ISSN (Online) 2699-5220, ISBN 978-3-942952-62-0, pages 444.. — 2019. — С. 419--437.

Сборник трудов

  • V. Mottl, V. Sulimova, O. Krasotkina, A. Morozov, A. Tatarchuk, I. Pugach. Computational Complexity of Dependence Estimation via Generalized Linear Models in Multidimensional Feature Spaces // 2019 International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, Russia, 2019, pp. 0719-0724. — 2019.

DOI: https://doi.org/10.1109/SIBIRCON48586.2019.8958417

ISBN: 978-1-7281-4402-3

Ссылка на статью

Весна 2020

Дифференциальная кросс-валидационная схема в обобщенных линейных моделях

Разработка методологии дифференциальной кроссвалидационной схемы для подбора гиперпараметров в обобщенных линейных моделях

Публикация

  • V. Mottl, V. Sulimova, O. Krasotkina, A. Morozov, A. Tatarchuk, I. Pugach. Differential Leave-One-Out Cross-Validation for Hyperparameter Optimization in Generalized Linear Dependence Models. — 2020. (принята к рассмотрению)

Ссылка на статью

Осень 2020

Верификация моделей многомерных зависимостей

Реализация схемы для подбора гиперпараметров путем дифференциальной кросс-валидации

Публикация

  • A. Morozov, B. Angulo, V. Mottl, O. Krasotkina, A. Tatarchuk Selectivity Verification in High Dimensional Dependence Models. — 2020.

(статья принята на конференцию S.A.I.ence-2020)

Личные инструменты