Дайджест мероприятий

Делимся подборкой научных мероприятий ФКН на эту неделю.

— Семинары —

🗂️ «Сжатое и гладкое скрытое пространство для диффузионных текстовых моделей»
Центра глубинного обучения и байесовских методов
📆 11 ноября в 18:00
🐭 Подробнее

🗂️"Focusing the Diffusion: Time-Step Reweighting for One-Shot Concept Tuning"
проектно-учебной лаборатории «Искусственный интеллект в математических финансах»
📆 12 ноября в 15:00
🐭 Подробнее

🗂️ "Cylinders, flexibility, and quadrics"
лаборатории алгебраических групп преобразований
📆 12 ноября в 18:00
🐭 Подробнее

— Математический семинар ФКН —

🗂️ «От многогранника к развёртке и обратно»
📆 14 ноября в 18:10
🐭 Подробнее

Коллоквиум 💻💻💻

Приглашаем на коллоквиум факультета компьютерных наук по теме "Experience of AI deployment at Bach Mai Hospital for the diagnosis of lung cancer".

Доклад будет посвящён разработке и внедрению первой во Вьетнаме многомодальной AI-системы для диагностики рака лёгкого. Обсудим, как объединение данных КТ, бронхоскопии и гистопатологии повышает точность выявления поражений, ускоряет рабочий процесс и снижает нагрузку на специалистов.

🎙️Спикер: доктор Long Quoc Tran, директор Центра искусственного интеллекта Вьетнамского национального университета, Ханой.

📆 18 ноября в 19:00
🗺️ Покровский бульвар, 11, R503
🌍 язык: английский

Подробнее 🐭

Коллоквиум 💻💻💻

Приглашаем на коллоквиум факультета компьютерных наук по теме "A Functional Perspective for Understanding Scaling Laws".

Доклад будет посвящён теоретическому объяснению законов масштабирования больших языковых моделей и представлению новой концепции функциональных законов масштабирования (FSL), которые позволяют предсказывать не только итоговую ошибку, но и всю динамику обучения моделей различных масштабов.

🎙️Спикер: профессор Lei Wu, доцент Школы математических наук и Центра международных исследований в области машинного обучения Пекинского университета.

📆 25 ноября в 14:40
🗺️ Онлайн
🌍 язык: английский

Подробнее 🐭

Математический семинар 💻💻💻

Делимся записью математического семинара. Тема: «От многогранника к развёртке и обратно»

🎙️Спикер: Николай Долбилин, Математический институт им. В. А. Стеклова РАН.

🎥 Смотрите на YouTube и VK Видео

Дайджест мероприятий

Делимся подборкой научных мероприятий ФКН на эту неделю.

— Семинары —

🗂️ «MiAD: диффузия миражей для поиска новых стабильных материалов»
Центра глубинного обучения и байесовских методов
📆 9 декабря в 18:00
🐭 Подробнее

🗂️ "Surfaces without dominant morphism from affine plane"
лаборатории алгебраических групп преобразований
📆 10 декабря в 18:00
🐭 Подробнее

🗂️ «Арифметики Бюхи и конечные автоматы»
международной лаборатории теоретической информатики
📆 11 декабря в 18:10
🐭 Подробнее

— Математический семинар ФКН —

🗂️ «Алгебры Ли полиномиальных векторных полей на аффинных алгебраических многообразиях»
📆 12 декабря в 18:10
🐭 Подробнее

Учёные ВШЭ создали первую полногеномную карту квадруплексов — нестабильных структур ДНК, которые регулируют работу генов

Квадруплексы — это особые нестабильные структуры ДНК, которые образуются в участках с большим количеством гуанина (G). Они недолговечны, быстро возникают и исчезают, выполняя роль «опознавательных знаков» для белков, управляющих активностью генов.

Международная команда исследователей, включая учёных из ВШЭ, впервые составила полногеномную карту всех возможных квадруплексов в ДНК. Для этого они дообучили языковую модель DNABERT на крупнейшей базе экспериментально подтверждённых структур EndoQuad и создали модель GQ-DNABERT.

⤵️ Как работает модель
В отличие от простых алгоритмов, ищущих только определённую последовательность нуклеотидов, GQ-DNABERT анализирует и контекст вокруг участка ДНК, что позволяет точнее предсказать, сможет ли он свернуться в квадруплекс. Модель нашла около 360 тысяч таких структур — значительно больше, чем удавалось обнаружить отдельными экспериментальными методами.

⚪️ Квадруплексы часто образуются парами: один находится в промоторе (запускает считывание гена), другой — в энхансере (ускоряет этот процесс).

⚪️ В нормальных тканях такие пары регулируют тканеспецифичные гены (например, в мозге — гены нейронов, в крови — иммунных клеток).

⚪️ В раковых клетках эти же пары связаны с универсальными программами деления и роста, что помогает опухоли быстро размножаться независимо от исходной ткани.

«В нормальных клетках эти пары поддерживают специализацию ткани, а в раке они включаются в общие программы быстрого деления»,

— пояснила один из авторов работы, директор Центра биомедицинских исследований и технологий ФКН ВШЭ Мария Попцова.

Полученная карта помогает понять, как квадруплексы управляют работой генов в норме и при онкологических заболеваниях. Это открывает путь к разработке новых противоопухолевых препаратов, которые смогут избирательно воздействовать на эти структуры в раковых клетках.

Исследование выполнено при поддержке гранта Центра ИИ ВШЭ и опубликовано в журнале Nucleic Acids Research.

Дайджест мероприятий

Делимся подборкой научных мероприятий ФКН на эту неделю.

— Семинары —

🗂️ MTML Lab «Спектральные оценки и GFlowNet»
📆 12 марта в 14:40
🐭 Подробнее

🗂️ Журнальный клуб МЛ статистической и вычислительной геномики "From North Asia to South America: Tracing the longest human migration through genomic sequencing"
📆 12 марта в 14:40
🐭 Подробнее

🗂️ НУЛ ПОИС «Определение паттернов поведения разработчиков в процессе разработки программного обеспечения»
📆 12 марта в 17:00
🐭 Подробнее

🗂️ ДПИ «Платформа автоматической обработки видеозаписей лекций и семинаров»
📆 12 марта в 18:00
🐭 Подробнее

Исследователи Вышки научили нейросеть «слышать» неисправности в электродвигателях

Трёхфазные асинхронные двигатели — основа современной промышленности: они работают на заводах, в системах водоснабжения и на производственных линиях. Даже небольшая неисправность может остановить процессы и привести к серьёзным убыткам.

🗂️Обычно инженеры диагностируют поломки по сигналу электрического тока: анализируют частоты и вручную ищут характерные признаки неисправностей. Такой подход требует высокой квалификации и занимает много времени.

Альтернативный подход — это применение методов машинного обучения, но и у них есть свои недостатки:
⚪️в реальности почти нет данных о поломках
⚪️алгоритмам не хватает примеров для обучения
⚪️сбор таких данных дорогой и рискованный

Исследователи 💻💻💻 ВШЭ предложили метод Signature-Guided Data Augmentation (SGDA), который позволяет «создавать» реалистичные поломки, добавляя в сигнал исправного двигателя специальные частоты, характерные для дефектов.

«Мы обучаем систему на данных нормальной работы двигателя, а затем получаем полноценный инструмент для поиска неисправностей. Такой подход особенно полезен для предприятий, у которых нет архивов аварийных данных и опыта работы с поломками оборудования»,

— пояснила один из авторов работы, стажёр-исследователь НУЛ методов анализа больших данных Института искусственного интеллекта и цифровых наук, аспирант и преподаватель ФКН Сараа Али.

✅ Разработка позволяет с точностью 99% определять неисправность двигателей и с точностью 86% классифицировать типы возникших поломок заранее, что снижает расходы на ремонт, уменьшает простои и делает производство безопаснее. В будущем исследователи планируют протестировать метод на реальных предприятиях.

Результаты исследования опубликованы в журнале Engineering Applications of Artificial Intelligence ✏️

Дайджест мероприятий

Делимся подборкой научных мероприятий ФКН на эту неделю.

— Семинары —

🗂️ НУЛ Яндекс х Yandex Research Reading Group (Яндекс Ресерч ридинг групп)
📆 7 апреля в 16:30
🐭 Подробнее

🗂️ НУЛ АГП "Error-correcting codes from toric varieties"
📆 8 апреля в 18:00
🐭 Подробнее

🗂️ AIM Lab «Машинное обучение для эффективного выявления рыночных манипуляций на рынке криптовалют»
📆 9 апреля в 18:00
🐭 Подробнее

🗂️ ДПИ «Естественный язык как единое целое: вычислительные аспекты»
📆 9 апреля в 18:00
🐭 Подробнее

🗂️ HDI Lab & TFAIM Lab "Diffusion models are now at the core of many generative systems"
📆 10 апреля в 14:40
🐭 Подробнее

❤️ Работа учёных Вышки отмечена на конференции А*

Статья "Gaussian Approximation and Multiplier Bootstrap for Stochastic Gradient Descent" исследователей из Международной лаборатории стохастических алгоритмов и анализа многомерных данных (HDI Lab) ФКН НИУ ВШЭ принята в программу 29-й ежегодной конференции по искусственному интеллекту и статистике — AISTATS 2026, и выделена в категорию Spotlight.

🗂 Работа посвящена стохастическому градиентному спуску (SGD) — одному из ключевых алгоритмов машинного обучения. Учёные исследовали, как оценивать неопределённость результатов таких алгоритмов и строить доверительные множества без сложных приближений.

Команда предложила новый подход на основе мультипликативного бутстрэпа:
⚪️доказана его корректность без перехода к «бесконечным» выборкам (неасимптотически)
⚪️удалось избежать оценки предельной ковариации в классической схеме Поляка–Рупперта
⚪️получены более быстрые скорости сходимости — вплоть до порядка 1/√n

Интересно, что полученные оценки могут быть точнее, чем классические результаты, основанные на центральной предельной теореме для SGD.

Работа будет представлена на конференции "Artificial Intelligence and Statistics" 2-5 мая в Танжере, Марокко. Статьи, опубликованные в рамках конференции, имеют рейтинг A* ✏️

Коллоквиум 💻💻💻

Приглашаем на коллоквиум факультета компьютерных наук по теме «Существование и построение близких к оптимальным столбцовых и крестовых аппроксимаций матриц».

Доклад будет посвящён теоретическому обоснованию эффективности приближённого поиска: будет показано, что при фиксированных размерах и сингулярных числах матриц большинство из них (в смысле меры randsvd-ансамбля) допускают эффективную аппроксимацию на основе подматриц, выбранных по принципу максимального объёма.

🎙️Спикер: Александр Осинский, ИВМ РАН, Сколтех

📆 14 апреля в 18:10
🗺️ онлайн

Подробнее 🐭

Дайджест мероприятий

Рассказываем о научных семинарах ФКН на эту неделю.

— Семинары —

🗂️ НУГ МОвАМ «Применение диффузионных моделей для поиска атомных структур»
📆 15 апреля в 14:40
🐭Подробнее

🗂️ НУЛ АГП "Local structure theorems for reductive group actions"
📆 15 апреля в 18:00
🐭Подробнее

🗂️ ДПИ «Знакомство с суперкомпьютерным комплексом НИУ ВШЭ»
📆 16 апреля в 18:00
🐭Подробнее

🗂️ HDI Lab & TFAIM Lab "Towards Better Tabular Representations: Generative Modeling and Distribution Shift"
📆 17 апреля в 14:40
🐭 Подробнее

🗂️ «Алгебра. Матрицы. Графы.» от МЛ ТИ «Реализующее число простого сборного графа»
📆 17 апреля в 18:10
🐭 Подробнее

— Коллоквиум —

🗂️ «Существование и построение близких к оптимальным столбцовых и крестовых аппроксимаций матриц»
📆 14 апреля в 18:10
🐭 Подробнее

Дайджест мероприятий

Рассказываем о научных семинарах ФКН на эту неделю.

— Семинары —

🗂️ Seminar LAMBDA: Online Neural Networks for Change-Point Detection
📆 Когда: 20 апреля в 14:40
🐭 Подробнее

🗂️ Семинар BayesLab «Calibri — эффективная калибровка Diffusion Transformers для более качественной и быстрой генерации»
📆 Когда: 21 апреля в 18:00
🐭 Подробнее

🗂️ Семинар AIM Lab «Высокочастотная торговля и токсичность потока заявок: эмпирический анализ и подходы к моделированию микроструктуры рынка»
📆 Когда: 23 апреля в 18:00
🐭 Подробнее

— Математический семинар ФКН —

🗂️ «Элементарные теорий классов вероятностных пространств и их сложность»
📆 Когда: 24 апреля в 18:10
🐭 Подробнее

Дайджест мероприятий

Рассказываем о научных семинарах ФКН на эту неделю.

Семинары:
➖➖➖➖
🗂️ Семинар НУЛ АГП "The fourteenth Hilbert problem"
📆 Когда: 29 апреля в 18:00
🐭 Подробнее

🗂️ Научно-учебный семинар НУГ МОвАМ «Экскурс в задачи современного материаловедения»
📆 Когда: 29 апреля в 14:40
🐭 Подробнее

🗂️ Семинар НУЛ ПОИС «Графовые паттерны в несогласованных декларативных моделях процессов»
📆 Когда: 30 апреля в 17:00
🐭 Подробнее

Учёные Института искусственного интеллекта и цифровых наук ФКН научили нейросеть с точностью до 95% определять взаимодействия между белками

Почти все процессы в клетке зависят от взаимодействия белков внутри неё. Поэтому для изучения болезней и поиска лечения важно понимать, какие белки могут контактировать друг с другом.

🗂️ Что придумали исследователи?

Система GSMFormer-PPI использует три типа данных о белке, в том числе и о его поверхности, и анализирует связи между ними, в отличие от предыдущих моделей, где данные просто объединялись. Разработка может ускорить поиск молекулярных механизмов болезней, биомаркеров и потенциальных мишеней для лекарств.

«В нашей модели мы попытались учесть информацию о поверхности белков и её физико-химических свойствах вместе с их последовательностью и трёхмерной структурой. Мы не просто объединили эти признаки, а дали алгоритму возможность анализировать связи между ними. Именно это и позволило точнее предсказывать белок-белковые взаимодействия»,

— комментирует Мария Попцова, один из авторов статьи, директор Центра биомедицинских исследований и технологий Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ.

✅ Чтобы проверить, насколько хорошо работает новая модель, исследователи протестировали её на наборе данных PINDER — крупной базе известных белковых взаимодействий. В экспериментах GSMFormer-PPI показала точность 95,7% и превзошла популярные графовые модели.

Работа опубликована в журнале Scientific Reports ✏️