Математик РУДН предложил новый способ использования нейронных сетей для работы с данными больших размерностей
Восстановление распределения вероятностей наблюдаемых данных искусственными нейронными сетями — это наиболее важная часть машинного обучения. Распределение вероятностей не только позволяет прогнозировать поведение исследуемой системы, но и количественно оценить неопределенность, с которой делаются прогнозы. Главная трудность заключается в том, что, как правило, распределения данных в точном виде не доступны. Для решения этой проблемы используют байесовские и близкие к ним приближенные методы. Но их использование увеличивает сложность нейронной сети. Снизить неопределенность позволяет комбинация байесовских методов с другими (например, с дельта-методом).
Математики РУДН предложили использовать детерминированные веса для нейронных сетей, что позволяет преодолеть ограничения байесовских методов. Они получили формулу, которая позволяет корректно оценить дисперсию распределения наблюдаемых данных. Предложенную модель проверили на разных данных: синтетических и реальных; на данных, содержащих выбросы и на тех, из которых они были предварительно удалены. Новый метод позволяет восстанавливать распределения вероятностей с недоступной прежде точностью.
Математик РУДН Павел Гуревич вместе с коллегами использовали детерминированные веса для нейронных сетей, чего никогда не делалось в пределах байесовских нейронных сетей. Математики РУДН предположили, что истинное распределение является нормальным с неизвестным средним и дисперсией. Фактически они создали обновленную версию метода сопряженных градиентов (gradient conjugate prior), подходящую для нейронных сетей. В результате расчётов Павел Гуревич получил формулу, которая позволяет корректно оценить дисперсию распределения данных. Новый метод оценили по методу AUC (area under the curve — это площадь под графиком, который позволяет оценить качество классификации; чем выше оценка AUC, тем качественнее классификация). В результате получилось лучшее значение оценки AUC как для «чистых» наборов данных, так и для данных, содержащих выбросы.
Метод, который предложили математики РУДН, применим, например, к задаче выявления мошенничества (fraud detection): для объекта определяется, к какому из двух классов он принадлежит (мошенничество или не мошенничество). Такие методы относятся к классу «обучение с учителем» (supervised learning). Предложенный метод поможет эффективно определять, какие транзакции, скорее всего, будут мошенническими, при этом значительно уменьшая количество так называемых «ложных срабатываний» (false positives). Метод, предложенный математиками РУДН, чрезвычайно эффективен в обнаружении и предотвращении мошенничества, поскольку он позволяет автоматически обнаруживать «подозрительные» шаблоны в больших объемах данных.
Статья в журнале Artificial Intelligence.
Личинки мухи черная львинка (Hermetia illucens) — одни из самых эффективных природных переработчиков органики. Они способны конвертировать пищевые и сельскохозяйственные отходы в ценный белок и жир. Но ключевую роль в этом процессе играют не сами личинки, а их микробиом — сообщество микроорганизмов в пищеварительном тракте. Именно этой теме посвящено исследование учёных института экологии. Оно стало победителем конкурса на выполнение НИР/НИОКР молодыми учёными (R.1) в системе грантовой поддержки РУДН в 2026 году.
На базе Института экспериментальной ботаники имени В.Ф. Купревича НАН Беларуси прошёл Международный конгресс молодых учёных по биологии и экологии растений. Мероприятие объединило исследователей из разных стран для обсуждения инновационных методов мониторинга природы, сохранения экосистем и изучения механизмов адаптации растений.
Этим летом в Санкт-Петербурге прошла