Школа-семинар "Современные проблемы нейроинформатики"

Нейроинформатика - 2016


Вторник, 26 апреля                    11.00 – 13.00
Алексеевский зал

Председатель: ШУМСКИЙ Сергей Александрович, к.ф.-м.н.

1. БАЗЯН А. С.
Институт высшей нервной деятельности и нейрофизиологии РАН, Москва
Молекулярные, клеточные и системные механизмы мотивационных и эмоциональных состояний, реализация целенаправленного поведения и эмоционально насыщенная когнитивная карта мозга

На основании процессов потребности, мотиваций и эмоций описываются молекулярные, клеточные и системные механизмы мотивированного целенаправленного поведения. Целенаправленное поведение невозможно без ориентации в пространстве и формирования когнитивной карты. Этот процесс реализует гиппокамп через неокортикальные связи. Гиппокамп связан с миндалиной, которая участвует в реализации эмоционального поведения и организует эмоционально насыщенную когнитивную карту или контекст окружающей среды.

2. НЕПОМНЯЩИХ В. А., ПАНКОВА Н. А., ОСИПОВА Е. А., ИЗВЕКОВ Е. И., КРЫЛОВ В. В.
Институт биологии внутренних вод им. И.Д. Папанина РАН, п. Борок, Ярославская обл.
Спонтанная организация поведения животных в незнакомой обстановке

В незнакомой обстановке животные используют набор стратегий поведения. Некоторые из этих стратегий являются общими для самых разных организмов --- от беспозвоночных до человека. Еще одно общее для разных животных свойство поведения --- то, что животное чередует несколько стратегий вместо того, чтобы придерживаться какой-либо одной стратегии. Это чередование происходит спонтанно, даже в отсутствие внешних пусковых стимулов. Возможно, такая спонтанная организация поведения помогает животным исследовать новую среду.

Четверг, 28 апреля                    11.00 – 12.45
Алексеевский зал

Председатель: ТЮМЕНЦЕВ Юрий Владимирович, к.т.н.

3. KECMAN V. M.
Virginia Commonwealth University, USA
Fast online algorithm for nonlinear support vector machines and other alike models Быстрый онлайн-алгоритм для нелинейных машин опорных векторов и подобных им моделей

В работе представлен новый алгоритм онлайн-обучения OLLA (On-Line Learning Algorithm) для восьми нелинейных (ядерных) классификаторов, основанный на классическом стохастическом градиентном спуске. В частности, алгоритм OLLA получен для таких классификаторов, как: L1 and L2 support vector machines (SVMs) with both a quadratic regularizer and with the L1 regularizer, Regularized huberized hinge loss, Regularized kernel logistic regression, Regularized exponential loss with L1 regularizer (used in boosting) and Least squares (LS) SVM. Основное назначение алгоритма OLLA – разработка классификаторов для больших баз данных. Новая модель оперативного обучения отличается простотой и компактностью программной реализации. Свойства предлагаемого алгоритма демонстрируются на нескольких реальных задачах обработки данных.

4. НАГОЕВ З. В.
Институт информатики и проблем регионального управления Кабардино-Балкарского научного центра РАН, Нальчик
Нейроподобные мультиагентные рекурсивные когнитивные архитектуры в задачах интеллектуальной обработки информации и управления

Задачи интеллектуальной обработки информации и управления во многих случаях сводятся к задачам аппроксимации функций. Например, для задач распознавания образов необходимо аппроксимировать классифицирующую функцию, а для задач управления --- закон управления. Мозг хорошо справляется с такими проблемами, несмотря на сложные условия реальной среды, характеризующиеся неструктурированностью, стохастичностью, динамикой, частичной наблюдаемостью, неопределенностью. В основе способности интеллекта аппроксимировать искомые функции лежат адаптивность и самообучаемость, которые на нейроморфологическом уровне обеспечиваются механизмом нейропластичности. Нейроподобные мультиагентные когнитивные архитектуры представляют собой концепцию и формализм для описания гипотетической модели нейропластичности головного мозга, основанной на самоорганизации рациональных агентов. В лекции приводятся теоретические основания метафоры проектирования интеллектуальных систем на основе нейроподобных мультиагентных рекурсивных когнитивных архитектур, дается набор эвристик, построенных на базе этого формализма, направленных на преодоление барьеров вычислительной сложности и трудоемкости, сдерживающих решение прикладных задач, приводятся примеры применения данного подхода для решения задач интеллектуальной обработки информации и управления.

Пятница, 29 апреля                    10.00 – 11.30
Алексеевский зал

Председатель: ТЕРЕХОВ Сергей Александрович, к.ф.-м.н.

5. ДОРОГОВ А. Ю.
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Проблемы и вызовы больших данных в нейротехнологии

Рассматриваются особенности применения нейротехнологии для обработки Больших Данных. Описаны типичные характеристики Больших Данных. Показаны проблемы, возникающие при использовании нейротехнологии для обработки Больших Данных. Представлены возможные методы разрешения проблем, включающие использование специальных типов нейронных сетей, редукцию к задачам меньшей размерности и декомпозицию данных.

6. МАКАРЕНКО Н. Г.
Главная (Пулковская) астрономическая обсерватория Российской академии наук, Санкт-Петербург
Топология из временных рядов

Пусть в фазовом пространстве существует динамическая система. Если она имеет приятные свойства, то типичная проекция ее траектории является наблюдаемым временным рядом. Алгоритм Такенса позволяет построить фазовый портрет модели, используя вложение ряда в евклидово пространство подходящей размерности. Полученная модель эквивалентна оригиналу с точностью до диффеоморфизмов. Эту технику реферируют эмбедология или «геометрия из временных рядов». Естественным обобщением является вопрос, можно ли и как восстановить топологию динамической системы из временных рядов. Речь идет о реконструкции, которая позволяет вычислить такие топологические инварианты, как числа Бетти или характеристику Эйлера. В частном случае, хотелось бы различить, например, движения на торе, сфере и плоскости. Реконструкция определена, конечно, классом гомологически эквивалентных пространств. В лекции излагается современная техника для решения этой задачи и обсуждается некоторые практические приложения.

Российская нейросетевая ассоциация Российская академия наук Министерство образования и науки Российской Федерации МФТИ НИЯУ МИФИ НИИСИ РАН МАИ Институт перспективных исследований мозга МГУ
AIRI iLabs Приоритет 2030