Тема «исследования и аналитика»

Ученые ВШЭ оптимизировали обучение генеративных потоковых нейросетей

Ученые ВШЭ оптимизировали обучение генеративных потоковых нейросетей
Исследователи факультета компьютерных наук НИУ ВШЭ улучшили метод обучения генеративных потоковых нейросетей для работы с неструктурированными задачами. Это поможет искать новые лекарства эффективнее. Результаты работы были представлены на одной из ведущих конференций по машинному обучению — ICLR 2025. Текст работы доступен в репозитории Arxiv.org.

Исследователи НИУ ВШЭ выяснили, как часто у россиян с легочной гипертензией встречаются генетические мутации

Исследователи НИУ ВШЭ выяснили, как часто у россиян с легочной гипертензией встречаются генетические мутации
Команда ученых и медиков впервые в России провела масштабное генетическое исследование пациентов с легочной артериальной гипертензией. Исследователи, включая сотрудников Международной лаборатории биоинформатики факультета компьютерных наук НИУ ВШЭ, изучили геномы более ста пациентов и обнаружили, что примерно у каждого десятого встречаются опасные мутации в гене BMPR2, отвечающем за рост сосудов. Три мутации были описаны впервые. Исследование опубликовано в журнале Respiratory Research.

Исследователи ВШЭ научили нейросети различать происхождение из генетически близких популяций

Исследователи ВШЭ научили нейросети различать происхождение из генетически близких популяций
В Институте искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ предложили новый подход, основанный на современных методах машинного обучения, для определения генетического происхождения человека. Графовые нейросети позволяют с высокой точностью различать даже очень близкие популяции.

Смешать, но не взбалтывать: ВШЭ и AIRI ускорили дообучение нейросетей

Смешать, но не взбалтывать: ВШЭ и AIRI ускорили дообучение нейросетей
Исследователи из ВШЭ и AIRI предложили метод быстрой донастройки нейросетей: данные обрабатываются по группам, которые затем перемешивают оптимальным образом, чтобы улучшить их взаимодействие. Метод лучше аналогов справляется с генерацией и анализом изображений, дообучением текстовых моделей. При этом он требует меньше памяти и времени на обучение. Результаты работы были представлены на конференции NeurIPS 2024.