Школа-семинар "Современные проблемы нейроинформатики"
Нейроинформатика - 2019
Вторник, 8 октября 11:30 – 13:00
Ауд. 4.18 (5.17)
Председатель: ДОЛЕНКО Сергей Анатольевич, к.ф.-м.н.
1Московский физико-технический институт (государственный университет)
2opentalks.ai
Операционная система для роботов
2. СТАНКЕВИЧ Л. А.
Санкт-Петербургский политехнический университет Петра Великого
Когнитивные диалоговые системы
В этой лекции обсуждаются пути развития диалоговых систем. Особое внимание отводится рассмотрению существующих архитектур диалоговых систем и возможности построения на их основе когнитивных диалоговых систем. Одно из направлений развития таких систем связано с разработкой когнитивных средств управления диалогом. Показано, что разработка таких средств актуальна для современных гуманоидных роботов, которые имеют не только антропоморфную форму, но должны осмысленно общаться с человеком на естественном языке. Обсуждаются возможности обработки естественного языка с использованием глубоких нейронных сетей. Рассматриваются варианты управления диалогом с использованием планирования и инкрементального обучения. Показано, что приемлемое для гуманоидных роботов диалоговое поведение может быть достигнуто с использованием ассоциативных средств. Рассматривается вариант когнитивной диалоговой системы гуманоидного робота.
Вторник, 8 октября 14:00 – 16:00
Ауд. 4.18 (5.17)
Председатель: ТЮМЕНЦЕВ Юрий Владимирович, д.т.н.
Huawei
О фундаментальных проблемах глубокого обучения
В докладе будет дан обзор открытых математических проблем в теории глубоких нейросетей (таких как выразительная способность, устойчивость, сходимость, обобщающая способность). Практическое приложение обозначенных проблем будет проиллюстрировано с использованием примеров из практических проектов Хуавэй.
4. ЕЖОВ А. А.
Государственный научный центр Российской Федерации Троицкий институт инновационных и термоядерных исследований (ГНЦ РФ ТРИНИТИ), Москва
Эффект Эфроса: десять лет спустя
На "Нейроинформатике-2010" автором была представлена лекция "Эффект Эфроса (распознавание образов и когнитивная слепота)", которая была опубликована в интернете и вызвала определенную реакцию. В настоящей лекции анализируется эта реакция, рассматриваются такие виды слепоты, как намеренная слепота, слепота по невниманию, приводятся другие примеры когнитивной слепоты и анализируется связь рассмотренных явлений с когнитивными процессами в мозге, в частности, с явлением анозогнозии.
5. МАКАРЕНКО Н. Г.
Главная (Пулковская) астрономическая обсерватория Российской академии наук, Санкт-Петербург
Дискретная кривизна Риччи на графах, сетях и изображениях
В последнее время, представление динамики сложных систем с помощью графов и сетей становится все более популярным. Графы используют даже для представления корреляционной структуры скалярных временных рядов. Стандартный набор конечного множества вершин и соединяющих их ребер кажется слишком простым для моделирования распределенных систем. Однако, если дополнить этот набор подходящим математическим интерфейсом, мы получим универсальный инструмент для диагностики динамики различных систем. Такой интерфейс можно заимствовать из Римановой геометрии. В Лекции рассказывается как можно получить различные варианты дискретной кривизны Риччи, ее связях с дискретным Лапласианом и Больцмановской энтропией. Теории иллюстрируется примерами из различных областей знания.
Четверг, 10 октября 11:20 – 12:00
Ауд. 4.18 (5.17)
Председатель: ЕЖОВ Александр Александрович, к.ф.-м.н.
1РАНИ, РАИИ
2ЗАО "Связной Логистика", Москва
Промышленный машинный интеллект в управлении и операциях цифровых торговых предприятий
Индустрия торговли, наряду с другими отраслями, вступает на путь цифровой экономики и управления. Отдельные черты этого процесса проявляются уже сегодня. Логика переходного периода характеризуется ростом размерности межсистемных связей и ускорением процессов информационного обмена. Это требует новых подходов к принятию управленческих решений, основанных на математических алгоритмах и машинном обучении. В этой лекции обсуждаются 7 примеров из современной практики ритейл-операций, отражающих особенности применения математических методов управления: -оценивание динамики потоков спроса в распределённой сети при широком изменяющемся ассортименте редко продаваемых товаров; -совокупная эффективность портфеля товаров и сопутствующих услуг на каждой розничной торговой точке, с учетом её специфики; -взаимодействие с поставщиками - управление портфелем оптовых скидок и премий за достижение целевых позиций по объемам и срокам продаж; -оптимальная динамика уровня запаса товара в течение его жизненного цикла, в услових закупок и поставок, задержанных во времени; -управление портфелем кредитных предложений, скидок и рассрочек при стимулировании спроса; -упраление штатом розничных продавцов при ограничениях на время выполнения различных торговых операций и бюджет, в условиях динамики спроса; -комплексная оценка затрат и цен логистических контрактов на контрагентском рынке.
Пятница, 11 октября 10:30 – 12:00
Физтех.Био, ауд. 107
Председатель: МАЛЬСАГОВ Магомед Юсупович, к.ф.-м.н.
НИИ ядерной физики им. Д.В. Скобельцына МГУ им. М.В. Ломоносова, Москва
Генетические алгоритмы
Данная лекция представляет собой элементарное введение в генетические алгоритмы. Она охватывает следующие темы: Генетические алгоритмы (ГА) как метод решения задач оптимизации. Сравнение ГА с основными классами методов оптимизации: локально-оценочными, локально-градиентными, переборными. Особенности ГА, их достоинства и недостатки ГА. Терминология ГА. Способы кодирования в ГА. Непрерывные хромосомы. Перечислимые хромосомы с повторящи-мися и с уникальными генами. Основные генетические операторы. Задачи с ограничениями. Многокритериальная оптимизация. Разнообразие реали-заций ГА. Лекция проиллюстрирована демонстрационными примерами.
8. ТЮМЕНЦЕВ Ю. В., ЕГОРЧЕВ М. В.
Московский авиационный институт (национальный исследовательский университет)
Полуэмпирическое нейросетевое моделирование и идентификация управляемых динамических систем
Одним из ключевых элементов процессов создания новой техники является формирование математических и компьютерных моделей, обеспечивающих решение проблем создания и использования соответствующих технических систем. Для таких систем типичным является высокий уровень сложности моделируемых объектов и процессов, их многомерность, нелинейность и нестационарность, многообразие и сложность функций, реализуемых моделируемым объектом. Решение проблем моделирования для объектов подобного рода существенно осложняется также тем, что соответствующие модели приходится формировать при наличии многочисленных и разнородных неопределенностей, таких, в частности, как неполное и неточное знание характеристик и свойств моделируемого объекта, а также условий, в которых данный объект будет действовать. Кроме того, свойства моделируемого объекта могут претерпевать изменения, в том числе резкие и существенные, непосредственно в процессе функционирования, например вследствие отказов оборудования и/или повреждений в его конструкции. Рассматривается подход к формированию моделей типа серый ящик (полуэмпирических моделей) для систем такого рода, основанный на объединении теоретических знаний об объекте моделирования с методами и средствами нейросетевого моделирования. В качестве примера рассматривается формирование модели продольного углового движения маневренного самолета, а также идентификация аэродинамических характеристик самолета, входящих в эту модель.
