Машинное обучение

Автоматические выбор и настройка алгоритмов машинного обучения. В современном машинном обучении существует достаточно большое число инструментов для анализа. Поэтому проблема выбора и настройки алгоритмов под конкретную задачу сейчас является одной из наиболее актуальных. У группы машинного обучения есть несколько направлений исследований:

  1. Выбор алгоритмов для задачи ранжирования [1].

  2. Выбор полной модели [2].

  3. Выбор алгоритмов выбора признаков [3] и настройка гиперпараметров нейронных сетей.

 

Эффективные алгоритмы выбора признаков. Выбор признаков - один из основных шагов предобработки данных. Для них важно как качество работы алгоритмов, так и скорость. Нами был предложен алгоритм, сочетающий в себе высокие скорость и качество работы [4]. Для него было предложено несколько значительных улучшений [5-7]. Кроме того, для ускорения работы можно применить автоматическую настройку параметров на основе мета-обучения [8]. В данный момент разрабатывается подход для встраивания алгоритмов выбора признаков в глубокие сети Deep Feature Selection.

 

Анализ изображений. Анализ различного рода снимков применяется во многих сферах повседневной жизни. Группой были проведены исследования применения глубокого обучения для распознавания снимков, полученных с дронов [9]. Кроме того, была подробно исследована задача распознавания пыльцевых зерен для контроля за симптомами астмой [10]. Подобное распознавание может быть применено для анализа качества меда.

 

Обработка естественного языка. Для обработки языка часто используются нейронные сети, например, для построения синтаксического парсера предложений или поиска именованных сущностей в тексте. Кроме того, проводятся исследования по решению задачи анализа тональности текста. Подобные разработки могут быть применены во многих сферах, в том числе в набирающих популярность чатботах.

 

Системы на основе обучения с подкреплением. Обучение с подкреплением зарекомендовало себя как быстрый и эффективный способ обучения, позволяющий решить многие задачи машинного обучения. Например, оно может быть применено для оптимизации гиперпараметров [2], построения систем рекомендации [11] и даже улучшения распараллеливания алгоритмов [7].

 

Анализ социальных сетей. Группой проводится множество исследований, посвященных анализу социальных сетей, таких как восстановление профилей [12] и поиск сообществ, фильтрация спама и других.

 

Наши работы

  1. Zabashta A., Smetannikov I., Filchenkov A. Rank aggregation algorithm selection meets feature selection [MLDM 2016]

  2. Efimova V., Filchenkov A., Shalyto A. Reinforcement-based Simultaneous Algorithm and its Hyperparameters Selection [AWRL@ACML 2016]

  3. A. Filchenkov, A. Pendryak Datasets Meta-Feature Description for Recommending Feature Selection Algorithm

  4. Smetannikov I., Filchenkov A. MeLiF: Filter Ensemble Learning Algorithm for Gene Selection [Symintech 2016]

  5. Smetannikov I., Varlamov E., Filchenkov A. Swarm MeLiF: Feature Selection with Filter Combination Found via Swarm Intelligence [FIERCES ON BICA 2016]

  6. Isaev I., Smetannikov I. MeLiF+: Optimization of Filter Ensemble Algorithm with Parallel Computing [AIAI 2016]

  7. Smetannikov I., Isaev I., Filchenkov A. New Approaches to Parallelization in Filters Aggregation Based Feature Selection Algorithms [YSC 2016]

  8. Smetannikov I., Deyneka A., Filchenkov A. Meta learning application in rank aggregation feature selection [ISCMI 2016]

  9. Konoplich G., Putin E., Filchenkov A. Application of Deep Learning to the Problem of Vehicle Detection in UAV Images [SCM 2016]

  10. Khanzhina N., Putin E. Pollen Recognition for Allergy and Asthma Management using GIST features [DTGS 2016]

  11. Golubtsov N., Galper D., Filchenkov A. Active adaptation of expert-based suggestions in ladieswear recommender system LookBooksClub via reinforcement learning [FIERCES ON BICA 2016]

  12. Samborskii I., Filchenkov A., Farseev A., Korneev G. Person, organization or character: prediction of Twitter account category based on textual features