Позиции научных сотрудников в области искусственного интеллекта и машинного обучения

• Теоретический анализ алгоритмов обучения с подкреплением: офлайн обучение с подкреплением (offline RL), разработка методов исследования среды, анализ сложности алгоритмов обучения с подкреплением, анализ алгоритмов обучения с подкреплением с точки зрения стохастической аппроксимации, обратное обучение с подкреплением (inverse RL);
• Анализ моделей предпочтений (preference-based learning) и их приложения к языковым моделям и контекстуальным бандитам.

Ключевые исследователи: Алексей Наумов, Денис Беломестный, Сергей Самсонов

Публикации и результаты:

1. Statistical analysis of Inverse Entropy-regularized Reinforcement Learning
2. Fast Rates for Maximum Entropy Exploration
3. Incentivized learning in principal-agent bandit games
4. Statistical inference for Linear Stochastic Approximation with Markovian Noise
5. Finite-Time High-Probability Bounds for Polyak—Ruppert Averaged Iterates of Linear Stochastic Approximation

• Анализ сложности алгоритмов обучения с подкреплением;
• Модели конформных предсказаний;
• Анализ моделей предпочтений и их приложения к языковым моделям и контекстуальным бандитам;
• Разработка новых методов оптимизации нулевого порядка.

Ключевые исследователи: Владимир Спокойный, Алексей Наумов, Денис Беломестный, Никита Пучкин, Сергей Самсонов

Публикации и результаты:

1. Statistical analysis of Inverse Entropy-regularized Reinforcement Learning
2. Semiparametric plug-in estimation, sup-norm risk bounds, marginal optimization, and inference in BTL model
3. Fast Rates for Maximum Entropy Exploration
4. Incentivized learning in principal-agent bandit games
5. Statistical inference for Linear Stochastic Approximation with Markovian Noise
6. Finite-Time High-Probability Bounds for Polyak—Ruppert Averaged Iterates of Linear Stochastic Approximation

• Исследование приложений стохастического оптимального управления в генеративном моделировании: задача Шредингера, диффузионные модели;
• Разработка методов сэмплирования (генерации случайных величин из заданного распределения) на основе генеративных потоковых сетей и их приложения в смежных областях (исследование связи с обучением с подкреплением, приложение к задаче поиска кратчайших путей, биологические приложения).

Ключевые исследователи: Алексей Наумов, Сергей Самсонов, Даниил Тяпкин, коллаборации с коллегами университетов Эдинбурга, MBZUAI, Ecole Polytechnique.

Публикации и результаты:

1. Fast and Scalable Library for Generative Flow Networks in JAX
2. Revisiting Non-Acyclic GFlowNets in Discrete Environments
3. Adaptive Destruction Processes for Diffusion Samplers
4. Generative Flow Networks as Entropy-Regularized RL 
5. Local-Global MCMC kernels: the best of both worlds

• Алгоритмы обучения на последовательностях, методология оценивания рекомендательных систем;
• Генеративные рекомендательные системы на основе семантических идентификаторов (semanthic id), но не ограничиваясь ими; интеграция с большими языковыми моделями;
• Контекстуальные бандиты и их приложения в рекомендательных системах, исследования в области матричных и тензорных методов линейной алгебры с приложениями к рекомендательным системам;
• Улучшение масштабируемости, повышение вычислительной эффективности, ускорение инференса или обучения моделей, получение компактных представлений.

Ключевые исследователи: Евгений Фролов, Сергей Самсонов.

Публикации и результаты:

1. Time to Split: Exploring Data Splitting Strategies for Offline Evaluation of Sequential Recommenders
2. Scalable Cross-Entropy Loss for Sequential Recommendations with Large Item Catalogs
3. Scalable LinUCB: Low-Rank Design Matrix Updates for Recommenders with Large Action Spaces

• Разработка новых алгоритмов разложения матриц и тензоров, включая подходы рандомизированной линейной алгебры и методы римановой оптимизации;
• Алгоритмы для дообучения и сжатия нейронных сетей;
• Разработка матричных методов оптимизации;
• Приложение тензорных алгоритмов для задач квантовой механики;
• Разработка алгоритмов для рекомендательных систем и графов знаний.

Ключевые исследователи: Максим Рахуба

• Большие языковые и генеративные моделей для задач геномики;
• Архитектуры глубокого обучения для работы с омиксными данными;
• Разработка конвейеров на основе генеративных моделей для задач протеомики.

Ключевые исследователи: Мария Попцова

Публикации и результаты:

1. Z-DNABERT
2. GQ-DNABERT 
3. Kolmogorov—Arnold networks for genomic tasks
4. DeepZ
5. Generative models for non-B DNA
6. Benchmarking LLM on quadruplexes
7. Mulimodal model for PPI