Участник:Goncharovalex

Материал из MachineLearning.

Перейти к: навигация, поиск

МФТИ, ФУПМ

Кафедра "Интеллектуальные системы"

Направление "Интеллектуальный анализ данных"

lyoshamipt@mail.ru



Отчет о научно-исследовательской работе

Список публикаций

1. Статья (ВАК)

Rus: А. В. Гончаров, М. С. Попова, В. В. Стрижов, Метрическая классификация временных рядов с выравниванием относительно центроидов классов // Системы и средства информатики, 2015, том 25, выпуск 4, Сс. 52-64.

Eng: A. V. Goncharov, M. S. Popova, and V. V. Strijov, Metric Time Series Classification Using Dynamic Warping Relative to Centroids of Classes // Systems and Means of Informatics, 2015, Vol. 25, Issue 4, Pp. 52-64.

DOI: https://doi.org/10.14357/08696527150404

link: http://www.mathnet.ru/links/e371eba29e2ce9bc3c6264e83352f02a/ssi433.pdf

2. Статья (Scopus)

Rus: А. В. Гончаров, В. В. Стрижов, Метрическая классификация временных рядов со взвешенным выравниванием относительно центроидов классов // Информатика и ее применения, 2016, том 10, выпуск 2, Сс. 36-47.

Eng: A. V. Goncharov and V. V. Strijov, Metric Time Series Classification Using Weighted Dynamic Warping Relative to Centroids of Classes // Informatics and its Applications, 2016, Vol. 10, Issue 2, Pp. 36-47.

DOI: https://doi.org/10.14357/19922264160204

link: http://www.mathnet.ru/links/0eb661a77ff0c30ed9aced0c4345b3aa/ia414.pdf

3. Статья (Scopus)

Eng: A. V. Goncharov and V. V. Strijov, Analysis of Dissimilarity Set Between Time Series // Computational Mathematics and Modeling, 2018, Vol. 29, Issue 3, Pp. 359-366.

DOI: https://doi.org/10.1007/s10598-018-9415-4

link: https://link.springer.com/article/10.1007/s10598-018-9415-4

4. Статья (Proceedings)

Eng: A. V. Goncharov and V. V. Strijov, Continuous Time Series Alignment in Human Actions Recognition // Proceedings of the AINL Fruct 2016 Conference, 2016, Pp. 83-86

ISBN: 978-952-68397-8-3

link: https://www.fruct.org/publications/abstract-AINL-FRUCT-2016/files/Gon.pdf ; https://fruct.org/publications/abstract-AINL-FRUCT-2016/

5. Тезисы

Rus: А. В. Гончаров, В. В. Стрижов, Динамическое выравнивание непрерывных временных рядов // Интеллектуализация Обработки Информации ИОИ-2016, 2016, Сс. 122-123.

Eng: A. V. Goncharov and V. V. Strijov, Warping path for continuous time series alignment // Intelligent Data Processing: Theory and Applications: Book of abstracts of the 11th International Conference, 2016, Pp. 122-123.

link: https://elibrary.ru/item.asp?id=27408472 ; http://strijov.com/papers/_idp11.pdf

6. Тезисы (Scopus)

Eng: A. V. Goncharov, Weighted Dynamic Time Warping for optimal subsequence search // EAGE, Tyumen 2019, 2019.

link: http://earthdoc.org/publication/publicationdetails/?publication=96298

7. Тезисы

Rus: А. В. Гончаров, Динамическое выравнивание непрерывных временных рядов // Ломоносов-2016, 2016.

link: https://lomonosov-msu.ru/archive/Lomonosov_2016/data/8341/uid112242_c7a92008813066d443a35120750531e799579a70.pdf

8. Тезисы

Rus: А. В. Гончаров, В. В. Стрижов, Построение интерпретируемых глубоких моделей в задаче социального ранжирования // Математические методы распознавания образов: Тезисы докладов 18-й Всероссийской конференции с международным участием, 2017, Сс. 20-21.

Eng: A. V. Goncharov and V. V. Strijov, Deep interpreted models in social ranking task // Mathematical Methods for Pattern Recognition: Book of abstract of the 18th All-Russian Conference with International Participation, 2017, Pp. 20-21.

ISBN 978-5-94588-225-6

link: http://cplire.ru:8080/3948/1/Mmpr2017.pdf

9. Статья (Scopus)

Evgeny Egorov ; Filipp Nikitin ; Vasiliy Alekseev ; Alexey Goncharov ; Konstantin Vorontsov // Topic Modelling for Extracting Behavioral Patterns from Transactions Data //2019 International Conference on Artificial Intelligence: Applications and Innovations (IC-AIAI), IEEE, Belgrade, Serbia

DOI: 10.1109/IC-AIAI48757.2019.00015

link: https://ieeexplore.ieee.org/abstract/document/9007329

10. Статья (Scopus)

Victor Bulatov, Vasiliy Alekseev, Konstantin Vorontsov, Darya Polyudova, Eugenia Veselova, Alexey Goncharov, Evgeny Egorov // TopicNet: Making Additive Regularisation for Topic Modelling Accessible // Proceedings of The 12th Language Resources and Evaluation Conference, 6745–6752

link: https://www.aclweb.org/anthology/2020.lrec-1.833.pdf

11. Статья (Scopus)

Gleb Morgachev ; Alexey Goncharov ; Vadim Strijov // Distance Function Selection for Multivariate Time-Series // 2019 International Conference on Artificial Intelligence: Applications and Innovations (IC-AIAI), Belgrade, Serbia.

DOI: 10.1109/IC-AIAI48757.2019.00021

link: https://ieeexplore.ieee.org/abstract/document/9007312

Список конференций

1. 58-я научная конференция МФТИ, Диплом 1 степени, 2015.

2. Ломоносов 2016, 2016.

3. ИОИ-11. 2016.

4. AINL FRUCT 2016, 2016.

5. 59-я научная конференция МФТИ, 2016.

6. Mathematical Methods for Pattern Recognition-18, 2017.

7. EAGE: Tyumen 2019, 2019.


Участие в грантах

1. РФФИ 16-37-00486.

2. РФФИ 16-07-01163.

3. РФФИ 13-07-00678.


Весна 2015, 6-й семестр


Метрическая классификация временных рядов с выравниванием относительно центроидов классов.

В работе рассматривается задача многоклассовой классификации временных рядов. Классификация производится с помощью метрических методов, использующих матрицу попарных расстояний между временными рядами. Вычисление такой матрицы является трудоемким, так как ее размерность равна числу объектов выборки. С целью снижения размерности предлагается предварительно выделять эталонные объекты, а именно центроиды каждого класса, и строить матрицу попарных расстояний между объектами выборки и эталонными объектами классов. Для вычисления попарных расстояний между объектами предлагается использовать метод динамического выравнивания временных рядов. В качестве прикладной задачи рассматривается задача распознавания типа движения по данным акселерометра мобильного телефона. Метрический алгоритм классификации, исследованный в этой работе, сравнивается в точности и быстродействии с алгоритмом разделяющей классификации.

Публикация

А.В.Гончаров, М.С. Попова, В. В. Стрижов Метрическая классификация временных рядов с выравниванием относительно центроидов классов // Системы и средства информатики. 2015 №4 (опубликована).


Осень 2015, 7-й семестр


Метрическая классификация временных рядов со взвешенным выравниванием относительно центроидов классов.

В работе рассматривается задача метрического анализа и классификации временных рядов. Метрические методы используют матрицу попарных расстояний, строящуюся при помощи фиксированной функции расстояния. Вычислительная сложность алгоритмов, использующих такую матрицу, по меньшей мере, квадратична относительно числа временных рядов. Проблема снижения вычислительной сложности решается путем предварительного выделения эталонных объектов, центроидов классов, и последующего их использования для описания классов. В качестве базовой модели классификации выбрана модель, использующая динамическое выравнивание временных рядов для построения центроида. В работе предлагается ввести функцию весов центроида, влияющую на вычисление расстояния между объектами. Для анализа алгоритма построения центроида использованы как временные ряды элементарных функций, так и временные ряды физической активности человека с акселерометра мобильного телефона. Свойства построенной модели исследуются и сравниваются со свойствами модели, выбранной в качестве базовой.

Публикация

А.В.Гончаров, В. В. Стрижов Метрическая классификация временных рядов со взвешенным выравниванием относительно центроидов классов // Информатика и ее применения. 2016 №2 (опубликована).


Весна 2016, 8-й семестр


Warping path and its cost in the case of continuous time series.

Time series with differences in the sampling frequency are new objects that can be found in many modern tasks. And it is really convenient to work with them as with continuous objects while solving these tasks. But many standard methods of processing time series, their metric analysis (for example DTW distance) are defined only for discrete case. This work makes a trial to expand the scope of the dynamic time warping technique, warping path, its cost and DTW distance between time series to the continuous case. It is impossible to find exact warping path in this case because of inability of search through continuous objects. This paper offers to search and use its approximation. This kind of approximation should be robust to the small deviations in warping path and to the small fluctuations in the time series values. These continuous objects can be sampled to the discrete time series with the desires frequency after all computations. This approach does not limit the possibilities for using different types of time series approximations or interpolations and different methods for approximation the warping path.

Тезисы

А.В.Гончаров, В. В. Стрижов Динамическое выравнивание непрерывных временных рядов // Сборник тезисов XXIII Международной научной конференции студентов, аспирантов и молодых ученых "Ломоносов-2016" секция "Вычислительная математика и кибернетика". 2016 (опубликована)

Публикация

A. V. Goncharov, V. V. Strijov Warping path and its cost in the case of continuous time series. AINL FRUCT 2016 as Short paper.

Конференция' A. V. Goncharov, V. V. Strijov Warping path and its cost in the case of continuous time series. 11-я Международная конференция «Интеллектуализация обработки информации». Принята.

Расстояние как описание множества отклонений.

Методы метрического анализа широко применяются в исследованиях различных временных рядов, будь то EEG сигналы или же сигналы акселерометра мобильного телефона. Такие методы используют функцию расстояния между двумя объектами для последующих кластеризации, классификации, поиска аномалий или же решения другой задачи. Функция расстояния DTW находит наилучшее выравнивание между двумя рядами, а затем использует среднее значение отклонений выровненных рядов в качестве расстояния. В данной работе предполагается, что множество отклонений обладает информацией о различиях между рядами, которая теряется при использовании среднего значения по множеству. Работа посвящена использованию различных статистик над множеством отклонений, которые давали бы большую информацию о различиях между рядами.

Публикация

А.В.Гончаров, В. В. Стрижов. Расстояние как описание множества отклонений. (готова к подаче, идет выбор журнала)

Личные инструменты