Участник:A m0r0z0v

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Текущая версия (16:18, 24 декабря 2020) (править) (отменить)
(Осень 2018)
 
(5 промежуточных версий не показаны.)
Строка 10: Строка 10:
== Отчеты о научно-исследовательской работе ==
== 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'''
 +
*{{биб.статья
 +
|автор = O. Krasotkina, V. Mottl, A. Morozov, D. Babichev, I. Pugach, M. Markov
 +
|заглавие = Constrained Regularized Regression Model Search in Large Sets of Regressors
 +
|издание = Machine Learning and Data Mining in Pattern Recognition. MLDM 2018. Lecture Notes in Computer Science, vol 10935. Springer, Cham
 +
|год = 2018
 +
|число = 8
 +
|месяц = July
 +
|язык = English
 +
|страницы = 394--408
 +
|doi = https://doi.org/10.1007/978-3-319-96133-0_30
 +
|isbn = 978-3-319-96133-0
 +
|url = http://machinelearning.ru/wiki/images/e/e2/IDP18.pdf
 +
}}
 +
DOI: https://doi.org/10.1007/978-3-319-96133-0_30
 +
 +
ISBN: 978-3-319-96133-0
 +
 +
[https://link.springer.com/chapter/10.1007/978-3-319-96133-0_30 Ссылка на статью]
=== Осень 2018===
=== Осень 2018===
Строка 31: 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 58: Строка 96:
}}
}}
[https://1drv.ms/b/s!AnZjwd6l7_VahLZBo1TYNH33cSIDmg‎ Ссылка на статью]
[https://1drv.ms/b/s!AnZjwd6l7_VahLZBo1TYNH33cSIDmg‎ 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'''
 +
*{{биб.статья
 +
|автор = Морозов А. О., Моттль В. В., Сулимова В. В.
 +
|заглавие = Последовательное восстановление обобщенных линейных моделей зависимостей по возрастающей обучающей совокупности
 +
|издание = Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с.
 +
|url = http://www.machinelearning.ru/wiki/images/b/bf/MMPR2019.pdf
 +
}}
 +
[[Media:MorozovMMPR201928.pdf | Презентация]]
 +
*{{биб.статья
 +
|автор = Ангуло Б. Ф., Морозов А. О., Моттль В. В.
 +
|заглавие = Метод дифференциальной поэлементной кросс-валидации для выбора уровня сложности обобщенных линейных моделей зависимостей
 +
|издание = Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с.
 +
|url = http://www.machinelearning.ru/wiki/images/8/87/AnguloMMPR201928.pdf
 +
}}
 +
[[Media:AnguloMMPR201928.pdf | Презентация]]
 +
*{{биб.статья
 +
|автор = Моттль В. В., Сулимова В. В., Морозов А. О., Пугач И. А., Татарчук А. И.
 +
|заглавие = Вычислительная сложность восстановления обобщенных линейных моделей зависимостей
 +
|издание = Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с.
 +
|url = http://www.machinelearning.ru/wiki/images/a/af/Mottl3MMPR201928.pdf
 +
}}
 +
[[Media:Mottl3MMPR201928.pdf | Презентация]]
 +
*{{биб.статья
 +
|автор = Сулимова В. В., Красоткина О. В., Виндридж Д., Моттль В. В., Морозов А. О.
 +
|заглавие = Интерфейс мозг-компьютер: Распознавание визуальных электроэцефалографических потенциалов врача при чтении маммограмм
 +
|издание = Математические методы распознавания образов: Тезисы докладов 19-й Всероссийской конференции с международным участием, г. Москва 2019 г. — М.: Российская академия наук, 2019. — 420 с.
 +
|url = http://www.machinelearning.ru/wiki/images/f/fd/SulimovaMMPR201927.pdf
 +
}}
 +
[[Media:SulimovaMMPR201927.pdf | Презентация]]
 +
 +
ISBN: 978-5-907036-76-5
 +
 +
'''Публикация'''
 +
*{{биб.статья
 +
|автор = V. Mottl, O. Krasotkina, V. Sulimova, A. Morozov, I. Pugach, A. Tatarchuk.
 +
|заглавие = Linear complexity algorithms for high dimensional SVM and regression problems with smart sparse regularization
 +
|издание = 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.
 +
|год = 2019
 +
|число = 20
 +
|месяц = July
 +
|язык = English
 +
|страницы = 419--437
 +
|isbn = 978-3-942952-62-0
 +
|url = http://ibai-publishing.org/html/proceedings_2019/pdf/proceedings_book_mldm_2019_volume_1.pdf
 +
}}
 +
 +
[http://ibai-publishing.org/html/proceedings_2019/pdf/proceedings_book_mldm_2019_volume_1.pdf Сборник трудов]
 +
*{{биб.статья
 +
|автор = V. Mottl, V. Sulimova, O. Krasotkina, A. Morozov, A. Tatarchuk, I. Pugach.
 +
|заглавие = Computational Complexity of Dependence Estimation via Generalized Linear Models in Multidimensional Feature Spaces
 +
|издание = 2019 International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, Russia, 2019, pp. 0719-0724
 +
|год = 2019
 +
|число = 21
 +
|месяц = October
 +
|язык = English
 +
|isbn = 978-1-7281-4402-3
 +
|url = https://ieeexplore.ieee.org/document/8958417
 +
}}
 +
DOI: https://doi.org/10.1109/SIBIRCON48586.2019.8958417
 +
 +
ISBN: 978-1-7281-4402-3
 +
 +
[https://ieeexplore.ieee.org/document/8958417 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'''
 +
*{{биб.статья
 +
|автор = V. Mottl, V. Sulimova, O. Krasotkina, A. Morozov, A. Tatarchuk, I. Pugach.
 +
|заглавие = Differential Leave-One-Out Cross-Validation for Hyperparameter Optimization in Generalized Linear Dependence Models
 +
|год = 2020
 +
|число = 15
 +
|месяц = July
 +
|язык = English
 +
}} (принята к рассмотрению)
 +
 +
[https://drive.google.com/open?id=1MItJAvgPz3d4JliaQLfOuYrS_N3yAyUu&authuser=ao.morozov%40phystech.edu&usp=drive_fs Ссылка на статью]
 +
 +
=== Осень 2020===
 +
'''Верификация моделей многомерных зависимостей'''
 +
 +
''Реализация схемы для подбора гиперпараметров путем дифференциальной кросс-валидации''
 +
 +
'''Публикация'''
 +
*{{биб.статья
 +
|автор = A. Morozov, B. Angulo, V. Mottl, O. Krasotkina, A. Tatarchuk
 +
|заглавие = Selectivity Verification in High Dimensional Dependence Models
 +
|год = 2020
 +
|число = 31
 +
|месяц = October
 +
|язык = English
 +
}}
 +
(статья принята на конференцию [https://ai.nsu.ru/saience2020 S.A.I.ence-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