• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Глава в книге
Complexity of reasoning in Kleene algebra with sum-of-letters hypotheses

Stepan L. Kuznetsov.

In bk.: Automated Reasoning: 13th International Joint Conference, IJCAR 2026, Lisbon, Portugal, July 26–29, 2026, Proceedings, Part II. (LNCS, volume 16689). Vol. 16689. Cham: Springer, 2026. P. 161-177.

Препринт
Hessian-based lightweight neural network for brain vessel segmentation on a minimal training dataset

Меньшиков И. А., Бернадотт А. К., Elvimov N. S.

Statistical mechanics. arXie. arXive, 2025

Семинар ММИТ: Разработка методов и алгоритмов байесовской иерархическойвременной памяти для задач обучения с подкреплением

Мероприятие завершено

5 декабря 2025 г. в 12:00 в рамках семинара "Математические модели информационных технологий" Центра языковых и семантических технологий, департамента анализа данных и искусственного интеллекта, МЛ Интеллектуальных систем и структурного анализа под руководством С.О. Кузнецова состоится доклад Евгения Александрович Дживеликян(Институт Искусственного Интеллекта AIRI) по теме «Разработка методов и алгоритмов байесовской иерархической временной памяти для задач обучения с подкреплением» в формате онлайн конференции. 

 Аннотация:

В рамках семинара будет представлена работа по разработке и применению биологически интерпретируемой иерархической временной памяти (ИВП) для задач непрерывного обучения с подкреплением. Автор предлагает и исследует архитектуру агента, которая использует локальные, нейрофизиологически обоснованные правила обучения вместо обратного распространения ошибки, что позволяет агенту эффективно адаптироваться в нестационарных, стохастических и частично наблюдаемых средах. В докладе будут рассмотрены байесовская интерпретация модели, её реализация в виде распределённой хеббовской временной памяти (РХВП), а также алгоритм итеративной структуризации памяти на основе последовательных представлений для формирования обобщённых когнитивных карт. Экспериментально продемонстрировано преимущество предложенного подхода перед методами глубокого обучения в условиях необходимости онлайн-адаптации к непредсказуемым изменениям в среде.