Научные семинары

Организатор семинара: Каледин Максим Львович, mkaledin@hse.ru

Ближайший семинар:
Будет аннонсирован позже.

Где: Покровский бульвар, 11, S322; telemost

Прошедшие семинары:

Дата	Докладчик	Организация	Название	Аннотация
30 июня 2025	Станкевич Иван Павлович	НИУ ВШЭ	Макроэкономическое прогнозирование: regime-switching модели и иерархическое прогнозирование	Краткосрочное прогнозирование макроэкономических показателей - важная и достаточно популярная задача, имеющая при этом ряд специфицических особенностей, обусловленных структурой данных: очень короткие ряды (часто - не больше нескольких десятков наблюдений), частые структурные сдвиги, очень широкий набор потенциальных объясняющих переменных, для многих задач - наличие почти линейных взаимосвязей между прогнозируемыми рядами. В рамках доклада мы обсудим способы решения двух из этих проблем: модели с марковским переключением (как экзогенным, так и эндогенным) как способ учёта и прогнозирования структурных сдвигов и согласование прогнозов для иерархических рядов как способ учёта взаимосвязей между прогнозируемыми рядами. Будут рассмотрены примеры применения этих подходов к прогнозированию ВВП стран G-20 и России.
23 июня 2025	Romanenkova Evgenia Dmitrievna	Skolkovo Institute of Science and Technology	Representation learning methods for optimal change point detection procedures	In sequential data analysis, a change point is a moment of abrupt regime switch in data streams. Detecting these changes quickly and accurately is crucial in various scenarios, from industrial sensor monitoring to challenging video surveillance. However, classic approaches for change point detection (CPD) often struggle with high-dimensional and semi-structured data due to their intricate nature, as they cannot process such data without a proper representation. Moreover, they often work only under strong assumptions and fail to adapt to specific domains with peculiarities. In this thesis, we propose a comprehensive framework for CPD via representation learning suitable for a diverse range of scenarios. For low-dimensional industrial data, an introduced two-stage system for effective CPD can work given expert annotations. Alternatively, we have a model that provides universal representations for unsupervised settings. To handle complex high-dimensional data, we propose a novel theoretical-grounded loss function that allows representation learning for deep models. Our loss function balances the trade-off between detection delay and time to false alarm, providing an asymptotic lower bound for established rigorous solutions while remaining differentiable. Under realistic assumptions, it serves as a tight approximation with a power-law of convergence rate. Through comprehensive experiments on synthetic sequences, real-world sensor data, and high-dimensional video datasets, we demonstrate the importance of meaningful representations tailored to the CPD task.
28 апреля 2025	Болдырев Алексей Сергеевич	НИУ ВШЭ	Надежное глубинное обучение	Доклад посвящен новому подходу к эмпирической оценке надежности моделей глубинного обучения. В основе подхода лежит оценка робастности моделей к изменению обучающей выборки и инициализации весов. Предложен мета-алгоритм для отбора надежных моделей из заданного набора, с возможностью настройки баланса между качеством предсказания и робастностью. Продемонстрировано применение алгоритма отбора моделей к нейронным сетям с несколькими сверточными и полносвязными слоями (с количеством параметров не более 30000). Обсуждается зависимость робастности моделей от использования в них высокоуровневых признаков. Предложенные стратегия измерения робастности и метод отбора моделей могут применяться для поиска нейросетевой архитектуры (NAS) и внедрены в существующие системы автоматического машинного обучения (AutoML), в том числе ориентированные на создание отказоустойчивых решений.
27 января 2025	Пряхина Дарья Игоревна	ОИЯИ	Цифровые двойники для решения задач управления и развития распределенных центров сбора, хранения и обработки данных	В докладе будет представлен новый метод построения и использования цифровых двойников распределенных центров сбора, хранения и обработки данных, который может применяться с целью улучшения технических характеристик вычислительных систем, принятия решений по выбору конфигураций оборудования в рамках задачи масштабирования и управления ресурсами. Предложенный метод отличается от существующих возможностью моделировать процессы обработки и хранения данных, учитывая характеристики потоков данных и задач, вероятности сбоев, отказов и изменений в производительности оборудования. На основе созданного метода разработан программный комплекс, верификация и опытная эксплуатация которого проведена при построении цифровых двойников вычислительных инфраструктур для сбора, хранения и обработки данных экспериментов в области физики высоких энергий
20 января 2025	Гордин Владимир Александрович	НИУ ВШЭ, Гидрометцентр России, МФТИ	Как делается прогноз погоды. Часть 2	При обработке метеорологических наблюдений для оценок климата и для начала счета прогноза погоды возникает много математических задач. Сама задача прогноза численными методами сводится к большому числу разнообразных алгоритмов, - о некоторых из них и предполагается рассказать
02 декабря 2024	Гордин Владимир Александрович	НИУ ВШЭ, Гидрометцентр России, МФТИ	Как делается прогноз погоды. Часть 1	При обработке метеорологических наблюдений для оценок климата и для начала счета прогноза погоды возникает много математических задач. Сама задача прогноза численными методами сводится к большому числу разнообразных алгоритмов, - о некоторых из них и предполагается рассказать
25 ноября 2024	Бугаев Егор	Стартап RnD-42, Skolkovo	Предсказания погоды на детальной временной шкале с помощью гибрида классических нейросетей и физических блоков: WeatherGFT	Разберем способ предсказания погоды с помощью нейросети WeatherGFT от Shanghai AI Lab, где классический трансформер скомбинирован со специальным блоком, приближающим изменения погоды в соответствии с физическими уравнениями. Модель достигает SOTA-результатов в предсказании погодных переменных на датасете WeatherBench, а также позволяет получать предсказания на сколь угодно детализированной временной шкале
18 ноября 2024	Трофимова Екатерина Алексеевна	НИУ ВШЭ	Linguacodus: генерация кода из текстовых описаний задач машинного обучения	В статье представлен Linguacodus — фреймворк, разработанный для преобразования описаний задач машинного обучения на естественном языке в исполняемый код. Linguacodus использует динамический пайплайн, поэтапно переводя описания задач в высокоуровневые инструкции и затем в код. Основой фреймворка является крупная языковая модель, дообученная для выбора наиболее подходящих решений для конкретных задач. В статье описаны этапы дообучения и подходы к переводу текстовых описаний в функциональный код. В ходе экспериментов на наборе кода с Kaggle мы продемонстрировали возможности Linguacodus для автоматизации задач в разных областях
16 сентября 2024	Ramazyan Tigran	НИУ ВШЭ	Global Optimisation of Black-Box Functions with Generative Models in the Wasserstein Space	We propose a new uncertainty estimator for gradient-free optimisation of black-box simulators using deep generative surrogate models. Optimisation of these simulators is especially challenging for stochastic simulators and higher dimensions. To address these issues, we utilise a deep generative surrogate approach to model the black box response for the entire parameter space. We then leverage this knowledge to estimate the proposed uncertainty based on the Wasserstein distance - the Wasserstein uncertainty. This approach is employed in a posterior agnostic gradient-free optimisation algorithm that minimises regret over the entire parameter space. A series of tests were conducted to demonstrate that our method is more robust to the shape of both the black box function and the stochastic response of the black box than state-of-the-art methods, such as efficient global optimisation with a deep Gaussian process surrogate.
20 мая 2024	Гладких Прохор Владимирович	SberDevices	GigaSearch или поисковая система на GigaChat	В докладе мы поговорим о том, как мы в SberDevices реализовали и раскатили на пользователей свою реализацию RAG (Retrieval Augmented Generation) на GigaChat - GigaSearch. Расскажем о том, что такое RAG в целом, заглянем под капот GigaSearch, обсудим трудности, с которыми нам пришлось столкнуться и как мы их победили, а также итоговый прирост по метрикам качества ответа на фактологические вопросы пользователей. На десерт поделимся успехом решения нетривиальной задачи: GigaChat генерировать не только верный фактологический ответ, но еще и ссылки на источники, которые были в нем использованы. А также расскажем как мы используем функции в LLM для решения проблемы контекстных запросов.
22 апреля 2024	Устюжанин Андрей Евгеньевич	National University of Singapore	Подходы генерации научных гипотез с помощью графовых нейронных сетей и языковых моделей	В условиях стремительного роста объема научных публикаций появляются новаторские методы для открытия научных связей. Доклад объединяет два подхода — THiGER и HypoFinder. THiGER использует временные графы для анализа динамики отношений между сущностями в домене питания, в то время как HypoFinder применяет мощь больших языковых моделей для автоматизации первых этапов исследований и анализа научной литературы. Оба подхода показывают важность интеграции временных графов и языковых моделей для усиления процесса генерации гипотез, предлагая новые перспективы для научного сотрудничества и открытий.
12 февраля 2024	Аржанцев Иван Владимирович	НИУ ВШЭ	Что и зачем изучает фундаментальная математика	Специалистам из других областей науки бывает трудно понять, почему одни задачи считаются в математике важными, и над их решением математическая наука готова работать веками, в то время как другие постановки задач признаются искусственными и не заслуживающими внимания. При этом в самом математическом сообществе по таким вопросам как правило имеется консенсус. Как возникают математические задачи и как математики определяют, что по-настоящему полезно и интересно? В докладе планирует обсудить эти вопросы на примере старых и новых задач из теории чисел, дискретной математики, алгебры, геометрии и топологии.
29 января 2024	Mikhail Masliaev	ITMO University	Machine learning of differenital equations	Application of physically based machine learning methods, adapted to the specifics of the processed phenomena, allows the reduction of the complexity of the trained model and achieve its interpretability for experts. In classical continuous processes modeling, one of the most commonly models are differential equations and systems of differential equations. Data-driven modeling can allow the combination of the advantages of tools based on analytically derived differential equations with the capabilities of a data-driven approach.
11 декабря 2023	Андрей Игоревич Рябиков	Федеральный исследовательский центр «Информатика и управление» РАН	Поиск неподвижной точки монотонного отображения полуупорядоченного топологического пространства	Рассматривается задача поиска неподвижной точки непрерывного монотонного отображения топологического пространства в себя. Решение задачи основано на методе последовательных приближений. Доказывается теорема о необходимых и достаточных условиях сходимости итерационного процесса к одной из неподвижных точек отображения. В отличие от других работ, посвященных неподвижным точкам монотонных отображений, в предлагаемой теореме не требуется существование точной верхней грани у любого частично упорядоченного подмножества топологического пространства.
27 ноября 2023	Alexey Boldyrev	HSE University, LAMBDA	Optimization of electromagnetic calorimeter using deep learning	The talk is dedicated to the neural network approach developed at the LAMBDA laboratory for the reconstruction of the properties of electromagnetic showers in a calorimeter. We discuss the architecture of a unified neural network model for the reconstruction of electromagnetic shower properties from data of different dimensions obtained with different calorimeter configurations. Using the GEANT4 physics simulator, it is possible to control the complexity of the input data and to generate data from different domains. The ability of the developed model to generalise to such data is investigated.
16 октября 2023	Цгоев Чермен	ММФ НГУ	Эффективное решение дифференциальных уравнений с помощью PINN-ADT	Данная работа представляет разработку универсального и гибкого программного комплекса, основанного на методе Physics-Informed Neural Networks (PINN), для решения разнообразных задач, связанных с дифференциальными уравнениями. Программный комплекс обеспечивает исследователей и инженеров средствами, позволяющими эффективно моделировать и анализировать различные типы систем дифференциальных уравнений, независимо от их количества и порядка. Дополнительно в работе представлены интегрированные инструменты, такие как адаптивные сетки и адаптивные регуляризационные члены, а также разнообразные нейросетевые архитектуры, улучшающие производительность и способность адаптации комплекса к различным задачам. Исследуется эффективность внедренных инструментов в различных конфигурациях.Соавторы работы: Травников В.А., Сахаров Д.И., Калинин В.А., Братенков М.А., Середкин А.В., Мулляджанов Р.И.
9 октября 2023	Андрей Петрович Коваленко, Перминов Андрей Игоревич	ИСП РАН	Геометрическая и вероятностная интерпретация MLP	Многослойный перцептрон (MLP), нареченный так Френком Розенблаттом в далеком 1957 году, по сей день часто встречается в современных моделях машинного обучения в качестве одного из ключевых элементов. Простейшая, по сути линейная форма и глубокое (благодаря основной аппроксимационной теореме) математическое содержание делает перцептрон весьма интересным объектом для изучения. Тем более, что несмотря на преклонный возраст, во многих работах его предпочитают называть "черным ящиком" и приписывают ему магические свойства "искусственного интеллекта". Использование кусочно-линейных функций активации (в частности, ReLU, как же без него) позволяет в двумерном случае заглянуть внутрь перцептрона и увидеть такое..., что позволить его глубже понять и, возможно, сделать лучше.
25 сентября 2023	Aziz Temirkhanov	HSE University, LAMBDA	Fast Data Storage simulation with generative models	In a modern world, large amount of data is being accumulating every day. To store such data, a complex data storage system (DSS) is required. But industrial-level DSS must also satisfy several additional conditions besides storage volume. To be able to adjust various specifications to different tasks, one may use a precise modeling of industrial DSS. In this work, we develop several methods of modeling data storage systems using generative models.
10 июля 2023	Сластников Вадим, Дунаева Арина, Карданова Бэла, Воронков Никита, Ситникова Анастасия, Бердников Артём	студенты НИУ ВШЭ, Высшая Школа Бизнеса, ОП «Управление бизнесом»	Техническое задание на построение цифрового двойника для девелоперской компании	Мангазея Девелопмент - это девелоперская компания, у которой есть гипотеза о том, что внедрение цифрового двойника в долгосрочной перспективе поможет им повысить эффективность процессов и выйти в топ-игроков. Текущий доклад формирует видение того, какой станет девелоперская компания в результате трансформации. Проект реализован в два этапа: диагностика и разработка технического задания на внедрение технологии цифрового двойника.
10 апреля 2023	Yana Khassan	HSE University, HDI Lab	Sampling from Energy-based generative models	In this talk I would like to discuss the features of sampling from Generative Adversarial networks. Main topic of the presentation is sampling from GANs on long trajectories in particular with discriminator driven latent sampling. Sampling from a starting image that could be an artefact may improve the quality of resulting new image after process of MCMC in the latent space. However, during sampling on long trajectories using Langevin dynamics there exists an effect of deteriorating quality the is indicated, by decrease in Inception Score metric and increase in FID metrics after some period of time. In the paper [1], this issue was tackled by early stopping. Nevertheless, this effect is particularly in interesting in terms of stabilising sampling procedure on long trajectory. [1] Che, Tong, et al. "Your gan is secretly an energy-based model and you should use discriminator driven latent sampling." Advances in Neural Information Processing Systems 33 (2020): 12275-12287.
20 марта 2023	Mr. Nand Kumar Yadav	Indian Institute of Information Technology, Allahabad	Image to Image Translations Using Generative Adversarial Networks	Image-to-image translation is a widespread computer vision task capable of dealing with problems related to image generation, image colorization, semantic map to scene generation, etc. Visible image synthesis from complex input image modalities, such as sketch face to visual face transformation, thermal face to visual face transformation, and nearinfrared (NIR) image to visual optical image generation, is a crucial computer vision task using deep learning. Usually, complex input image modalities lacks with the rich visual information such as texture, color, fine details, etc., than the actual ground truth images in target domain. In such problems, there is a large domain gap between the input images and the corresponding target images. The traditional methods of image-to-image translation is unable to learn the accurate mapping between input and target images. However, in recent years, deep learning based Generative Adversarial Networks (GANs) have shown very promising results for image generation as well as image-to-image translation. The GANbased models are generally trained in an adversarial manner which is advantageous for the high quality image synthesis. GAN consists of generator and discriminator networks for training purposes. While for inference, only the trained generator network is required for synthesizing the images. For the better generalization ability in fewer training epoch, attention based methods have been proposed. Such methods focus over the important regions in the learning phase leading to better output. The existing image-to-image translation methods, such as Pix2pix, CycleGAN, DualGAN, CSGAN, and PCSGAN, miss the ingredients of attention mechanism. The existing GAN models require intense training.
27 февраля 2023	Бузаев Федор	Младший научный сотрудник, Huawei RRI Theory Lab	Обзор на Physics Informed Neural Networks (PINNs), решающие уравнения частных производных, и для чего они нужны.	Нейронные сети, которые учитывают при обучении законы физики, помогают решать различные задачи, например такие как: прогноз погоды, описание электростатического поля и др.В этом обзоре будут разобраны нейронные сети, которые при обучении соблюдают любой заданный закон физики. Также в этом обзоре будут разобраны сферы применения таких нейронных сетей, как нейронные сети научились решать уравнения частных производных (уравнение Пуассона, уравнение Гельмгольца, уравнение Аллена-Кана), основные концепции обучения моделей.
20 февраля 2023	Nikita Kazeev	PhD, NUS Institute for Functional Intelligent Materials	Sparse representation for machine learning the properties of defects is 2D materials	The family of two-dimensional materials now includes dozens of crystals, which exhibit a wide range of electronic and optical properties, utilisable for the next generation devices. Furthermore, 2D crystals offer an opportunity of controlling their properties through a variety of knobs. Our particular interest is the possibility of obtaining desirable properties via controlled defect introduction. However, the search space for such structures is enormous, and proper ab-initio computations become prohibitively expensive. It makes essential to develop a way of precise and efficient prediction of the properties of a crystal with a specific defect configuration. We propose a machine learning approach for rapidly estimating 2D material properties given lattice structure and defect configuration. The method suggests a way to represent a 2D material configuration that allows a neural network to train quickly and accurately. We compare it with the state-of-the-art approaches and demonstrate at least $3.7$ times energy prediction error drop. Also, our approach is an order of magnitude more resource-efficient than its contenders both for the training and inference part.