Основными задачами Центра являются:
1
Разработка и развитие интерпретируемых методов машинного обучения и майнинга данных для задач ОЕЯ (NLP) и рекомендательных системы
2
Разработка моделей, позволяющих обогатить функциональность существующих больших языковых моделей за счет привлечения дополнительных ресурсов: лингвистических моделей, моделей знания, поисковых моделей, алгоритмов планирования
3
Разработка моделей и методов автоматического приобретения знаний с помощью больших языковых моделей (БЯМ), в том числе методов переноса обучения между разными языками и разными задачами
4
Разработка моделей и методов исследования, моделирования и анализа в рамках теории сложных систем
5
Разработка инструментов семантического анализа на основе математических методов в теории формальных понятий
Структура
Международная лаборатория интеллектуальных систем и структурного анализа
Проводим исследования, позволяющие объединять структурные и нейросетевые представления в задачах прикладного анализа данных
Научно-учебная лаборатория моделей и методов вычислительной прагматики
Мы занимаемся задачами обработки естественного языка (nlp), интерпретируемым машинным обучением и майнингом данных, разработкой рекомендательных систем и сервисов и развиваем методы мультимодальной кластеризации и классификации, позволяющие формировать профиль интересов пользователя с учетом различных модальностей
Научно-учебная лаборатория моделирования и управления сложными системами
Мы занимаемся фундаментальными и прикладными исследованиями по математическому моделированию сложных систем, изучением феноменов синхронизации, внезапных изменений режимов, квази-регулярностей, самоорганизации, оценке эффективности алгоритмов прогнозов редких событий и управлению сложными системами
Лаборатория анализа семантики
Мы занимаемся исследованием естественного языка как единого целого в рамках естественно-научной парадигмы с помощью методов компьютерных наук и прикладной математики
Руководство
Руководитель центра, доктор математических наук, профессор
Заместитель руководителя Центра, кандидат юридических наук
Публикации
-
Книга
-
Статья
-
Глава в книге
ICIP: SESSIONS
В этой работе представлен SCL-GAN (пространственно-коррелирующий облегченный GAN) - новая архитектура для реконструкции изображений лиц с использованием тепловизионных изображений, разработанная для эффективного использования на современных устройствах, таких как плата NVIDIA Jetson. Предлагаемая архитектура использует пространственные корреляции характеристик в различных тепловизионных режимах, сохраняя при этом низкое количество параметров и сбоев. Экспериментальные результаты показывают, что SCL-GAN обеспечивает снижение вычислительных затрат (GMac) на 68,57% и снижение обучаемых параметров на 71,71% по сравнению с базовыми моделями. Более того, мы наблюдаем последовательное улучшение показателей качества изображений, включая увеличение SSIM на 5,05%, снижение потери лица на 4,49% и снижение FID на 27,83% в наборе данных WHU-IIP. В наборе данных CVBL-CHILD SCL-GAN демонстрирует улучшение SSIM на 11,70%, снижение потери VGG-FaceLoss на 18,21% и снижение FID на 47,88%. Код доступен по адресу: https://github.com/GANGREEK/SCL-GAN.git.
In bk.: 2025 IEEE International Conference on Image Processing (ICIP). Vol. XXIII. Iss. IX. IEEE, 2025. P. 2049-2054.
-
Препринт