Бакалавриат

09.03.01 (пpoфиль подготовки — ПРИКЛАДНАЯ МАТЕМАТИКА и ИНФОРМАТИКА)

Основы современных методов прикладной математической статистики
Избранные главы математики (линейная алгебра, дифференциальная геометрия, теория оптимизации и пр.)
Введение в прикладной анализ данных, машинное и глубокое обучение
Углубленное программирование на Python
Методы современной обработки изображений, основы цветовой репродукции и алгоритмы вычислительной фотографии
Методология науки

Читаемые курсы

Избранные главы теории оптимизации. Приложения теории экстремума — д.ф.-м.н., профессор Магарил-Ильяев Г. Г.
Матричные и тензорные вычисления — к.ф.-м.н. Рахуба М.В.
Программирование на Python — Дербышев Д.Ю.
Методология науки — к.ф.-м.н. Светличный А.О.

Фундаментальные принципы современных методов глубокого обучения — Карпенко С.М.
Основы математической статистики — к.ф.-м.н. Лагутин М.Б. (Факультатив для ФПМИ, обязательный для ФРКТ)
Основы цветовой репродукции и алгоритмы вычислительной фотографии — к.ф.-м.н. Ершов Е. И.(Факультатив для ФРКТ, обязательный для ФПМИ)

Генеративные модели на основе состязательного обучения — к.ф.-м.н. Коротин А.А.
Методы оптимизации в машинном обучении — к.ф.-м.н. Безносиков А.Н.
Обработка изображений — д.ф.-м.н., доцент Николаев Д.П.

Расписание

Весенний семестр, 2025-2026 учебный год

Профиль «Прикладная математика и информатика»

Поступление в Бакалавриат

до 9 марта 23:59

Заполните анкету.

Выберите из списка Задачи для поступления (весна 2026) интересную для Вас задачу и решите её

до 13 марта 23:59

Заполните регистрационную форму до 13 марта 23:59, указав выбранную задачу и удобное время собеседования.

до 15 марта 23:59

Полученные результаты оформите в виде доклада с презентацией. Убедитесь, что доклад занимает не более 7 минут (регламент жесткий во избежание накладок в расписании)

Готовую презентацию отправьте на почту iitp.interview@gmail.com до 15 марта 23:59.

16 марта

Выступите с подготовленным докладом перед комиссией на собеседовании. На собеседование отводится 15 минут: не более 7 минут на доклад, оставшееся время — на беседу с комиссией.

Координационная информация — в чате поступающих.

19-20 марта

Дождитесь результатов собеседований

Критерии отбора

Рейтинг студента формируется из трех компонент:

Качества доклада;
Общего впечатления о студенте, которое складывается на основе ответов студента на вопросы комиссии и информации в анкете;
Среднего балла (коэффициенты при суммировании сбалансированы таким образом, чтобы средний балл не играл решающей роли).

Бонусные баллы можно получить за участие в Журнальном Клубе.

Члены комиссии оценивают студента независимо друг от друга, и при этом они не видят среднего балла студента. После собеседования оценки всех членов комиссии агрегируются.

Предлагается исследовать задачу сопоставления RGB-изображений дистанционного зондирования Земли (ДЗЗ) при наличие полупрозрачной дымки или тумана на одном из них. В задаче есть основная и дополнительная части.

В основной части необходимо провести эксперимент на полусинтетических данных:

Нужно найти реальный бездымный RGB-снимок ДЗЗ и нанести на него синтетическую дымку, используя модель формирования задымленного изображения. Ознакомиться с этой моделью можно в работе Каминга Хе (формулы 1 и 2, публикация доступна по ссылке ). Заметьте, что в случае наземной съемки плотность дымки считается однородной, а глубина сцены – различной, она обозначена как d(x). В случае ДЗЗ будем считать, что глубина сцены во всех пикселях примерно одинаковая, однако, дымка всё равно может быть существенно неоднородной по причине различной плотности или различной толщины слоя. Эта неоднородность моделируется также через d(x). Попробуйте при синтезе дымки задавать различные варианты пространственного распределения d(x).
Примените к задымленному изображению различные проективные искажения, моделирующие съемку с других точек обзора поверхности Земли.
Оцените параметры преобразования с помощью выделения и сопоставления особых точек на исходном изображении и изображении задымленном и геометрически искаженном (https://docs.opencv.org/4.x/db/d27/tutorial_py_table_of_contents_feature2d.htm)
Сравните различные методы детекции и дескрипции особых точек в этой задаче и охарактеризуйте зависимость точности оценки от параметров дымки. Для оценки качества сопоставления рекомендуется использовать как субъективный анализ, так и количественную оценку (критерий точности нормализации). В качестве критериев рекомендуется использовать максимальную и среднеквадратичную невязки координат (см. работу И.А. Коноваленко, раздел 1.2.3, стр. 25).

В дополнительной части задания предлагается применить наиболее эффективный метод из основной части для сопоставления снимков с реальной дымкой. Данные доступны по ссылке.

Контакт для связи: @MityaSid (тг) (Дмитрий Сидорчук)

Требуется разработать систему определения суммарного номинала монет по фотографии.

Вход: Изображение (фотография) плоской поверхности, на которой в произвольном порядке расположены монеты. Все монеты из известного набора (напр., российские рубли и копейки), но могут также присутствовать посторонние объекты, не перекрывающие обзор.
Выход: Оценка суммарного номинала монет. При невозможности дать однозначный ответ указать возможный интервал либо варианты ответа.

Допущения: рассмотрите следующие случаи, предложите методы решения и повышения точности распознавания. Выберете, для какой их комбинации реализация вам по силам, и запрограммируйте решение:

Все монеты расположены номиналом («решкой») вверх;
На снимке присутствуют монеты всех возможных номиналов;
Снимок сделан камерой с известными параметрами с известным положением относительно плоскости стола;
Положение и параметры камеры неизвестны;
Оптическая ось камеры перпендикулярна поверхности стола;
Оптическая ось камеры наклонена на небольшой (до 20 градусов) неизвестный угол от вертикали;
Стол нетекстурированный;
Текстура стола не содержит окружностей;
Монеты могут частично перекрываться;
И т.п. — можете сформулировать свои допущения.

Контакт для связи: @nafe93 (тг) (Нафанаил Аль-Казир)

Лидар (англ. LiDAR — Light Detection and Ranging) – технология дистанционного зондирования, использующая лазерные импульсы для определения расстояния до объектов.

В задаче предлагается поработать с набором измерений, полученным с лидарного датчика. Данные представляют из себя растровые изображения транспортных средств, проезжающих под датчиком. Пример приведен на рисунке выше, а сами изображения в uint16 png формате доступны по ссылке: https://doi.org/10.5281/zenodo.13645341.

По направлению X растра – углы отсчёта от -30 до +30 градусов, по Y – последовательные номера сканирования, а интенсивностью задан зарегистрированный сигнал – глубина в мм.
Для элементов датасета, соответствующих незагруженным транспортным средствам, требуется аппроксимировать высоту дна кузова плоскостью. Данные получены в слабо контролируемых условиях и содержат проезды разной степени зашумлённости выбросовыми измерениями, вызванные осадками или облаками пыли.

Задача:
Разработайте алгоритм аппроксимации высоты дна кузова плоскостью, обоснуйте выбор методов оценивания и представьте полученные результаты в презентации.
Вы можете ввести дополнительные ограничения на зашумленность данных, необходимые для работы вашего алгоритма, и отобрать подходящие измерения из датасета, но будет интереснее рассмотреть задачу в наиболее общей постановке. Не забудьте указать в презентации используемые допущения.

Контакт для связи: @vkokhan (тг) (Владислав Кохан)

Фундаментальные модели временных рядов (Time Series Foundation Models, TSFMs) – это универсальные модели, обученные на данных из различных доменов (финансы, промышленность, здравоохранение и др.) и предназначенные для решения широкого круга задач анализа временных рядов (Рисунок 1).

В проекте предлагается исследовать способность современных TSFM оценивать неопределённость в генеративных задачах. Цель проекта — сравнить три класса моделей на одной из прикладных задач: прогнозирование, восстановление пропусков или детекция аномалий.

Необходимо сопоставить:

классические статистические методы (ARIMA, PCA, Kalman, kNN),
современные модели глубокого обучения (K2VAE, TranAD, CSDI),
фундаментальные модели (Chronos, Moirai, TimesFM, TiReX)

Методология включает обзор литературы (постановка задачи, вероятностные метрики, генеративные подходы), анализ данных, проведение экспериментов и сравнение моделей по вероятностным метрикам качества. Важным требованием является воспроизводимость результатов (репозиторий с кодом, конфигурации, CLI)
Ожидаемый результат – понимание того, как TSFM справляются с генеративными задачами и оценкой неопределённости, а также в каких сценариях они уступают классическим или специализированным DL-моделям.

Ссылки:

Информация о задаче вероятностного прогнозирования https://arxiv.org/abs/2310.07446
Обзор фундаметльных моделей временных рядов https://arxiv.org/abs/2504.04011

Контакт для связи: Виталий Поздняков, почта v.pozdnyakov@skoltech.ru, tg: @pozdnyakov_vitaliy

Одной из важнейших задач компьютерного зрения является качественная цветопередача. Вместе с развитием технологий по регистрации изображений, их визуализации, развиваются и методы обработки цветовых изображений. Основная цель — повышение качества цветовой репродукции! В работе коллектив авторов, в числе которых Г. Финлейсон — видный великобританский профессор из этой области, исследует вопрос точной цветопередачи разными методами. Вам предстоит разобраться в этой аналитической работе и сделать доклад по ней.

Материалы для подготовки: лекция 1, лекция 2.

Вопросы:

Зачем решать задачу перехода из пространства камеры в пространство стандартного наблюдателя? Почему это различные пространства?
В чем основная сложность задачи перехода из одного цветового пространства в другое? Что такое метамеризм? Что такое условие Лютера?
В чем заключаются недостатки линейной и полиномиальной регрессии?
Как измеряется ошибка цветопередачи?
Почему нейросети всё ещё уступают в данной задаче классическим алгоритмам?

Практическое задание:

Скачать набор гиперспектральных изображений KAUST.
Срендерить его в raw пространстве камеры и пространстве стандартного наблюдателя для различных освещений (спектры камеры, спектры освещения, XYZ стандартного наблюдателя) при помощи линейной модели восприятия цвета (формула 2/3 из статьи).
Реализовать часть методов (например LSQ или нейронную сеть Макдональда) для цветовой коррекции.
Сравнить методы между собой и сопоставить с результатами из статьи.

Вопросы по задаче: @korch_sergey (Корчагин Сергей)
Удачи!

Функции цветового соответствия (Color Matching Functions, CMF) — это математическая модель чувствительности трёх типов колбочек человеческого глаза (L, M, S) к свету в зависимости от его длины волны. На основе этих функций, стандартизированных CIE (Международной комиссией по освещению) в 1931 и 1964 годах, работают все современные цветовые модели, приборы и системы цветопередачи. Однако эти стандарты описывают усреднённое цветовосприятие, тогда как в реальности люди видят цвета по-разному из-за индивидуальных особенностей зрительной системы. Явление, при котором образцы или излучения с разными спектральными характеристиками кажутся одинаковыми по цвету одному человеку, но разными — другому, называется метамеризмом наблюдателя.

Вам предлагается разобрать статью, посвященную исследованию метамеризма наблюдателя, и воспроизвести описанные в ней эксперименты.

Задание:

Симулировать по Монте-Карло 10.000 виртуальных наблюдателей (функций CMF) с помощью модели наблюдателя Асано. Python-реализацию модели можно найти в библиотеке l uxpy (модуль indvcmf).
Выбрать из симулированных наблюдателей 10 категориальных наблюдателей по методу k-медоид, описанному в статье.
Визуализировать функции цветового соответствия (CMF) полученных категориальных наблюдателей.
* Проверить качество полученных наблюдателей для задачи наблюдательного метамеризма, воспроизведя (полностью или частично) эксперименты из глав 4-5 статьи.

Вопросы:

Какие параметры человеческого зрения учитывает модель Асано?
Для чего понадобились модели категориальных наблюдателей, если существуют модели стандартного наблюдателя (например, CIE 1931)?
Почему для выбора категориальных наблюдателей использовался метод k-медоид, а не стандартный k-средних?

Контакт для связи: @zay_rina (Зайченкова Екатерина).

Получите удовольствие :)

Предлагается разобрать обзорную статью по методам автоматической генерации цветовых палитр:

Авторы: Yafan Gao, Jinxing Liang, Jie Yang
Название: Color Palette Generation From Digital Images: A Review
Журнал: Color Research & Application, 2025; 50:250–265
DOI: https://doi.org/10.1002/col.22975

Вопросы:

Цветовые пространства: Какие цветовые пространства описаны в статье, в чём различия между ними? Почему CIELab* предпочтительнее RGB для задач сегментации цветов? Какие проблемы возникают при использовании HSV/HSL пространств?
Метрики разницы цветов: Какие существуют метрики для оценки различий между цветовыми палитрами (MECDM, MICDM, Hungarian model)? Почему их сравнивают с CIEDE2000? Какая из них показывает наилучшее соответствие визуальному восприятию и почему?
Методы генерации палитр:

В чём принципиальное различие между histogram-based, clustering-based и neural network-based подходами?
Какие ограничения имеет метод K-means и как они преодолеваются в FCM и SOM?
Какие архитектуры нейронных сетей (CNN, GAN, VAE, Attention) применяются для генерации палитр и каковы их преимущества/недостатки

4. Ограничения современных методов: Какие фундаментальные проблемы остаются нерешёнными?

Практическое задание:
Реализовать или адаптировать существующие реализации минимум 3-4 методов выделения цветовой палитры из изображений — как минимум по 1 из каждой категории: Histogram-based, Clustering-based, Neural network-based.

Требования к реализации:

Единый тестовый набор изображений (минимум 10 изображений различной сложности)
Количественная оценка результатов (время выполнения, количество цветов, визуальное качество)
Сравнение с референсной палитрой (ручная разметка или ground truth при наличии)
Код должен быть оформлен в виде воспроизводимого репозитория (Jupyter Notebook или Python-скрипты)

Вопросы по задаче: в телеграм к Всеволоду Плохотнюку @vsevolodpl
Удачи!

Современные ML-модели все чаще становятся объектами атак и источниками потенциальных уязвимостей — от некорректной обработки входных данных и утечек личной информации до возможности внедрения вредоносного кода. В рамках этой задачи вам предстоит познакомиться с последними работами в области безопасности ML-моделей и проверить на практике методы выявления уязвимостей в публичных моделях или фреймворках глубокого обучения.

Инструкции:

Разбор статей:

SECURITYNET: Assessing Machine Learning Vulnerabilities on Public Models Zhang et al., 2024. В этой статье авторы анализируют широкий спектр публично доступных ML-моделей (в т. ч. на платформах HuggingFace, GitHub, TF Hub и других) на предмет различных уязвимостей.
IvySyn: Automated Vulnerability Discovery in Deep Learning Frameworks Christou et al., 2023. Авторы применяют методики fuzzing-тестирования, специальную генерацию графов вычислений и анализ граничных случаев, приводящих к сбою или некорректному поведению фреймворка.

Сбор данных и подготовка окружения:

Выбор ML-моделей. Найдите (или используйте уже готовую подборку) несколько публично доступных моделей: например, классификаторы изображений, языковые модели, модели для рекомендаций и т. д. Убедитесь, что у вас есть как минимум три разных модели, желательно разных типов или из разных источников (Hugging Face, TensorFlow Hub, GitHub-репозитории).
Установите и настройте Ivy или аналогичные зависимости для воспроизведения подхода IvySyn (если авторы инструмента сделали публичную версию).

i. При необходимости подготовьте фреймворк для fuzzing-тестов (это может быть AFL, libFuzzer и т. д.) и окружение Python с нужными зависимостями.
ii. Создайте отдельный репозиторий в LLM4Decompile или в другом подходящем месте, куда будете выкладывать свои эксперименты по безопасности.

Проведение оценки уязвимостей (наподобие SECURITYNET)

Определите критерии уязвимости:

Конфиденциальность и защита данных: возможные утечки пользовательских данных в ходе обучения/использования модели.
Управление правами доступа: наличие ошибочных открытых endpoint’ов для инференса без авторизации.
Неправильная настройка окружения/конфигурации: отсутствие шифрования каналов, скомпрометированные зависимости и т. д.
Необработанные исключения/ошибки: случаи, когда модель падает/зависает при некорректном вводе.

Сканирование и анализ:
Для каждой выбранной модели выполните базовое «сканирование» согласно пунктам из статьи SECURITYNET:

Проверка документации и кодовой базы на предмет недосказанных или скрытых функций.
Анализ доступных демо-сервисов или REST API, если модель распространяется с веб-интерфейсом.
Поиск уязвимостей в коде при помощи статического или динамического анализа (можно использовать инструменты типа Bandit, SonarQube, semgrep и т. д.).

Зафиксируйте найденные потенциальные проблемы или подтвердите их отсутствие.

Описание результатов:
Какие типы уязвимостей рассматривались, какие из них обнаружены в каждой модели (или доказано, что все в порядке).

Дополнительные задания (по желанию):
Тестирование фреймворков на уязвимости (по мотивам IvySyn)

Сбор тестовых сценариев. Возьмите минимум 2 разные версии одного и того же фреймворка (например, PyTorch 1.X и PyTorch 2.X или TensorFlow 2.6 и 2.10), либо разные фреймворки (PyTorch vs TensorFlow).
Используйте (или попытайтесь воспроизвести fuzz-тесты) подход IvySyn, описанный в статье черезгенерацию случайных графов вычислений; комбинирование слоёв и операций, часто приводящих к неопределённому поведению (batch normalization, custom ops и т. д.); прогон этих тестовых графов через выбранные фреймворки.

Контакт для связи: rogov@airi.net (Олег Рогов)

Современные большие языковые модели (LLM) постепенно находят применение не только в обработке естественного языка, но и в анализе программного кода. Одно из направлений это автодекомпиляция - восстановление исходного высокоуровневого кода по скомпилированному бинарному файлу или байт-коду. Предполагается, что LLM могут восстанавливать семантику исходной программы, используя обобщённые знания о структуре кода.

Цель: изучить подходы, связанные с использованием LLM для декомпиляции, и на практике проверить возможности таких моделей на тестовых примерах.

Разобраться со статьёй/моделью:

Ознакомиться с работой «CodeBERT: A Pre-Trained Model for Programming and Natural Languages» (Feng et al., 2020) или с аналогичной статьёй/подходом, в которой описаны методы предобучения языковых моделей на коде.
На высоком уровне понять, как именно авторы обучают и применяют модели для анализа кода, в том числе для задач генерации, перевода или восстановления структуры программ.

Датасет для анализа:

Найдите небольшой открытый набор кода (например, часть репозиториев на GitHub или фрагменты из CodeSearchNet), содержащий примеры на одном или нескольких языках программирования (C/C++, Java, Python и т.п.).
Соберите две выборки:

1. Исходный высокоуровневый код (можно ограничиться одним языком на первых порах).
2. Соответствующие ему скомпилированные бинарные файлы (или байт-код, если это Java/кроссплатформенная сборка).

Организуйте данные в структуре «исходник ↔ бинарный/байт-код».

Предобработка и базовая декомпиляция:

Используйте любой простой (или уже имеющийся в проекте LLM4Decompile) инструмент декомпиляции, чтобы получить черновой вид восстановленного кода (это может быть, к примеру, Ghidra или любая удобная утилита). Студенту будет предоставлен доступ к облачному GPU-кластеру.
Проанализируйте качество этого чернового кода: какие фрагменты восстанавливаются хорошо, а какие нет?

Использование модели для восстановления семантики:

Выберите один из подходов из статьи (CodeBERT, GraphCodeBERT и т.д.) или аналогичную модель (например, из библиотеки Hugging Face Transformers – есть специализированные чекпойнты для кода).
Сформулируйте задачу декомпиляции как задачу восстановления или улучшения фрагментов исходного кода на основе сырого декомпилированного текста. Например, можно представить задачу как «коррекцию кода» (code correction), где модель получает на вход фрагмент «шумного» кода после простой декомпиляции и пытается восстановить более «чистый» высокоуровневый код.
Реализуйте минимальный прототип: подайте модель на вход декомпилированные фрагменты, пусть она генерирует гипотезы о том, как эти фрагменты должны выглядеть в идеальном случае.

Анализ качества и сравнение:

Сравните результаты «чистой» декомпиляции (из утилиты) с результатами, полученными при участии модели.
Как минимум для трёх нетривиальных примеров (где есть циклы, условия, функции со сложной логикой) определите, какую часть семантики удалось восстановить, а какие детали модель исказила.
При необходимости используйте ручную разметку/экспертизу, чтобы оценивать, насколько сгенерированный код соответствует исходному.

Дополнительные задания (по желанию):

Обфусцированный код. Возьмите примеры программ, прошедших обфускацию (то есть со специально запутанной логикой и «шумными» именами переменных/функций). Проверьте, насколько модель справляется с восстановлением «чистого» кода.
Кросс-языковая декомпиляция. Попробуйте обучить или применить модель, чтобы восстанавливать код на языке Python по байт-коду Java (или наоборот). Оцените, насколько обучение на многоязычных данных помогает или мешает задаче.
Сравнительный анализ нескольких моделей. Сравните CodeBERT, GraphCodeBERT и/или любую другую LLM (например, StarCoder), чтобы выяснить, какая даёт наилучший результат в задаче декомпиляции/коррекции кода.
Временной аспект. У нас есть исторические версии бинарных файлов (например, из разных релизов одного проекта с гитхаба). Проверьте, как изменяется успешность декомпиляции при переходе от одной версии к другой, и есть ли у модели «семантический сдвиг» в понимании старых и новых конструкций.

Контакт для связи: rogov@airi.net (Олег Рогов)

Искусственный интеллект все чаще используется в областях человеческой жизни, где цена ошибки высока, что естественным образом приводит к потребности получать не только ответ нейросети, но и оценку уверенности модели в её ответе, чтобы контролировать возможные ошибки.
Мы привыкли считать, что, например, в задачах классификации число, возвращаемое нейросетью, соответствует вероятности принадлежности к определенному классу. На практике, однако, средние предсказания современных моделей выше, чем их точность. Встает вопрос о возможности калибровки нейросетевых моделей.

Задача:
Предлагается изучить подходы калибровки нейросетей и применить их на практике.

Изучить работу On Calibration of Modern Neural Networks. Разобраться в определениях, проблематике, базовых методах калибровки.
Обучить архитектуру на ваш выбор (например, ResNet-18) на классификационном наборе данных на ваш выбор (например, MNIST). Можно ограничиться двумя классами для упрощения. Проверить скалиброванность ответов модели после обучения.
Применить методы Isotonic Regression и Platt Scaling из работы (подсказка: можно взять готовые реализации из популярных библиотек) к ответам вашей модели, сравнить полученные результаты.

Бонусные задания (можно делать по отдельности или все сразу):

Провести эксперименты с другими методами калибровки, например, бета-калибровкой (Beta calibration: a well-founded and easily implemented improvement on logistic calibration for binary classifiers).
Проверить тезис из статьи: более ранние нейросетевые модели были лучше откалиброваны. Для этого обучить более простую модель (например, LeNet) и провести сравнения.
Провести аналогичные эксперименты для многоклассового случая.

Контакт для связи: @zythorn (vk/tg) (Алексей Халин)

Предлагается исследовать задачу сопоставления RGB-изображений дистанционного зондирования Земли (ДЗЗ) при наличие полупрозрачной дымки или тумана на одном из них. В задаче есть основная и дополнительная части.
В основной части необходимо провести эксперимент на полусинтетических данных:

Нужно найти реальный бездымный RGB-снимок ДЗЗ и нанести на него синтетическую дымку, используя модель формирования задымленного изображения. Ознакомиться с этой моделью можно в работе Каминга Хе (формулы 1 и 2, публикация доступна по ссылке ). Заметьте, что в случае наземной съемки плотность дымки считается однородной, а глубина сцены – различной, она обозначена как d(x). В случае ДЗЗ будем считать, что глубина сцены во всех пикселях примерно одинаковая, однако, дымка всё равно может быть существенно неоднородной по причине различной плотности или различной толщины слоя. Эта неоднородность моделируется также через d(x). Попробуйте при синтезе дымки задавать различные варианты пространственного распределения d(x).
Примените к задымленному изображению различные проективные искажения, моделирующие съемку с других точек обзора поверхности Земли.
Оцените параметры преобразования с помощью выделения и сопоставления особых точек на исходном изображении и изображении задымленном и геометрически искаженном (https://docs.opencv.org/4.x/db/d27/tutorial_py_table_of_contents_feature2d.htm)
Сравните различные методы детекции и дескрипции особых точек в этой задаче и охарактеризуйте зависимость точности оценки от параметров дымки. Для оценки качества сопоставления рекомендуется использовать как субъективный анализ, так и количественную оценку (критерий точности нормализации). В качестве критериев рекомендуется использовать максимальную и среднеквадратичную невязки координат (см. работу И.А. Коноваленко, раздел 1.2.3, стр. 25).

В дополнительной части задания предлагается применить наиболее эффективный метод из основной части для сопоставления снимков с реальной дымкой. Данные доступны по ссылке.

Контакт для связи: @MityaSid (тг) (Дмитрий Сидорчук)

Одной из стандартных задач обработки изображений является задача бинаризации. Она заключается в определении для каждого пикселя изображения определённого класса (1 или 0). Классический пример — у нас на входе фотография изображения с текстом, а нам нужно определить какой пиксель относится к фону, а какой к тексту. В рамках этого трека вам предлагается прочитать 3 классические статьи: «A threshold selection method from gray-level histograms» за авторством Otsu и две её модификации: «Maximum likelihood thresholding based on population mixture models» от Kurita и «Minimum error thresholding» за авторством Kittler-Illingworth.
После чтения статей вам нужно ответить на ряд вопросов:

Когда задача бинаризации в целом имеет смысл? Приведите примеры использования помимо в анализе исторических текстов.
Какие методы использовались для решения задачи бинаризации?
В чём их преимущества и недостатки?
Какой из этих методов работает лучше для задачи бинаризации исторических документов и почему?
Как можно расширить методы, представленные в статье на случай бинаризации многих классов?
Оцените сложность этих методов.
Какие метрики используются для оценки качества бинаризации? В чём их преимущества и недостатки?

Прочитайте дополнительно статью «A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization». Расскажите, в чём основной посыл статьи? Каким образом авторы предлагают расширить метод оцу на случай двумерного признакового пространства? Какие проблемы это помогает решать?
Оригинальные алгоритмы (Оцу, Курита, Китлер-Иллингворт) нужно реализовать и протестировать на открытом датасете снимков исторических текстов: https://vc.ee.duth.gr/dibco2019/. Посчитайте для них метрику Pseudo F-measure, проанализируйте ошибки, отрисуйте гистограммы яркости и выясните какой метод работает лучше.

Обращаться к https://t.me/@korch_sergey (Корчагин Сергей)

Проект со звёздочкой для уже знакомых с нейросетями и pytorch/jax студентов.
Вам необходимо разобраться с тем, как работают (обучаются) потоковые генеративные модели (flow generative models), а также как проходит дистилляция потоковых генеративных моделей с использованием метода Flow Generator Matching, [1].

Введение
1. Генеративные модели - модели, способные генерировать новые данные, похожие на исходные. А именно, имея выборку x1, x2, …, xn из неизвестного распределения P, генеративная модель некоторым образом приближает Pg ≈ P и позволяет генерировать новые данные, похожие на исходную выборку

2. Flow models, flow matching - Потоковые модели - генеративные модели, задаваемые обыкновенным дифференциальным уравнением, векторным полем v(x, t), зачастую зависящим от времени. На практике v(x, t) задается нейронной сетью. Для генерации из таких моделей, семплируется случайный нормальный вектор z ~ N(0, I), пропускается через ОДУ dx = v(x, t) на временном интервале [0, 1], и на выходе получается семпл xg(z) из генеративной модели, похожий на целевые данные.
а. Популярной техникой обучения потоковых моделей является Flow Matching, см. [1], параграф 3, или [2], параграф 2.1.

3. Недостатком потоковых (и диффузионных:) генеративных моделей является долгое время генерации. Необходимо проинтегрировать ОДУ на интервале [0, 1] (для диффузионных моделей - стохастическое ДУ), чтобы получить семпл из генеративной модели. Поэтому появляются методы дистилляции таких моделей, которые учатся сразу предсказывать xg(z) по входу z. Для этого обучается генератор G, который учится предсказывать xg(z) ≈ G(z). В работе Flow Generator Matching [1] - как раз предложен один из методов дистилляции

Задание: Необходимо обучить потоковую модель методом Flow Matching, затем продистиллировать её с использованием Flow Generator Matching [1].
1. Возьмите в качестве неизвестного распределения P - swiss roll, спроецированный на двумерное распределение. В качестве исходного (латентного) распределения шума используйте стандартное нормальное распределение (см. Рис. 1).

2. Обучите потоковую модель, используя Flow matching loss. (см. [1] , формула (3.6)). Модель должна уметь приближенно генерировать двумерный swiss roll датасет.
а. Визуализируйте работу обученной модели: нарисуйте семплы из исходного, целевого и сгенерированного распределения; нарисуйте траектории OДУ c обученным векторным полем v(x, t) (cм. Рис. 1)

3. Продистиллируйте обученную потоковую модель, используя метод Flow Generator Matching. Обученный генератор G должен уметь из шума приближенно генерировать двумерный swiss roll датасет.
а. Визуализируйте работу обученной модели: нарисуйте семплы из исходного, целевого и сгенерированного распределения; покажите пары (z, G(z)) (cf. Рис. 2)

4.Сделайте выводы

Задание необходимо выполнить в jupyter notebook. Рекомендуем использовать сервис google colab.

Литература
[1] Huang et. al., 2024. Flow Generator Matching, https://arxiv.org/pdf/2410.19310 ;
[2] Liu et. al., 2022. Flow Straight and Fast: Learning to Generate and Transfer Data with Rectified Flow, https://arxiv.org/pdf/2209.03003 .

Контакты для связи
(tg) @PVMokrov , @akorotin

Представьте себя Иоганном Кеплером или Исааком Ньютоном, которые разглядывают астрономические схемы движения планет Солнечной системы и пытаются на основании этих (в тому же - неточных !!!) данных вывести закономерности орбитальной динамики. Вспомните насколько “просто” выглядит закон всемирного тяготения Ньютона, который вместе с (его же, Ньютона) 2-ым законом движения (в дифференциальной форме) позволяет неплохо моделировать движение небесных тел.
В некотором смысле, эта “историческая аналогия” неплохо иллюстрирует типовую ситуацию: исследователь пытается вывести строгие математические закономерности поведения динамической системы на основании имеющихся у него неполных и неточных сведений о “положениях” этой системы в некоторые моменты времени. Если наш исследователь имеет основания полагать, что эти закономерности имеют вид дифференциального уравнения, то ему понадобится определить вид правой части такого уравнения. Именно эту проблему, иногда, называют обратной задачей, т.к. здесь не требуется рассчитать траекторию (решая “прямую” задачу Коши), а, наоборот, по набору точек на траектории определить сам диффур.

Предлагаемая вашему вниманию технология сбалансированной идентификации позволяет формализовать выбор подходящей математической модели, включающей различные уравнения, не только и не обязательно дифференциальные, но и произвольные соотношения с заранее неизвестными (!) функциями, подлежащими идентификации. Рабочее название технологии: SvF, Simplicity vs Fitting, поскольку применяемые алгоритмы используют идеи регуляризации (математический прием выражения интуитивной идеи “простоты”, “гладкости”, подбираемых функций), чтобы уравновесить тенденцию “подгонки” модели под имеющийся набор экспериментальных данных, содержащих ошибки измерений.

Основными публикациями по SvF-технологии являются
1. Sokolov A.V., Voloshinov V.V. Model Selection by Balanced Identification: the Interplay of Optimization and Distributed Computing // Open Computer Science, 2020, 10 — p. 283–295. https://doi.org/10.1515/comp-2020-0116
2. Соколов А.В., Волошинов, В.В. Выбор математической модели: баланс между сложностью и близостью к измерениям // International Journal of Open Information Technologies, 2018, 6(9) C. 33-41, http://injoit.org/index.php/j1/article/view/612

Технология активно развивается вместе со своей, свободно доступной, программной реализацией, https://github.com/distcomp/SvF, использующей программный инструментарий распределенных вычислений Everest, http://everest.distcomp.org/. Полный цикл расчетов можно запустить через Everest-приложение https://optmod.distcomp.org/apps/vladimirv/svf-remote.

По ссылке https://github.com/distcomp/SvF/blob/main/svf-reference.md
приведен список публикаций по теме, включая результаты применения SvF-технологии в различных прикладных исследованиях (биологии, физике пазмы, метеорологии и т.д.).

Надо отметить, что SvF-технология, интересна еще как пример сочетания методов вычислительной математики, локальной и глобальной оптимизации, распределенных вычислений для организации трудоемких расчетов.

Задание. Попробуйте самостоятельно разобрать и рассказать пример идентификации моделей “маятник с трением”, представленный в двух вышеуказанных статьях.

Подумайте над тем, как можно практически решать возникающую там обратную задачу определения правой части диффура, где, фактически приходится иметь дело с композицией двух неизвестных функций: траектории маятника (как функции времени) и самой правой части (как функции траектории). Речь идет о замене исходной задаче с непрерывными функциями на их дискретизированные аппроксимации... Подсказка в статье
Оптимизационные методы и кусочно линейные аппроксимации в обратных задачах с автономными дифференциальными уравнениями.

Контакты для связи: https://t.me/VladVol, vladimir.voloshinov@gmail.com

Автоматическое извлечение наиболее значимых (по смыслу), содержательных фрагментов научно-технических текстов является важной задачей аннотирования документов. Исследователь или аналитик вместо прочтения документа целиком на ранней стадии может ознакомиться с ключевыми положениями статьи, автореферата, патента или диссертации, чтобы определить, соответствует ли документ его информационной потребности, стоит ли тратить время на его детальный анализ. Кроме того, результат извлечения содержательных фрагментов научно-технических текстов может быть использован для подготовки резюме как отдельных документов [1,2], так и множеств документов. Если значимые фрагменты текстов подаются на вход большой языковой (генеративной) модели (БЯМ), то этот подход называется RAG[3].

Существуют разные способы выделения значимых фрагментов текстов. Согласно исследованиям, формулировки определений и полученных результатов в тексте научной статьи важны с точки зрения понимания её смысла [4, 5].

Классические реализации метода извлечения результатов [4, 5] для русского языка основаны на использовании правил, лексических и грамматических маркеров (слов, словосочетаний, синтаксических конструкций). Однако такой подход, будучи реализованным для русского языка, неприменим для текстов на других языках.

Пример работы существующей системы (https://sciapp.ru/ ) на основе алгоритма на правилах приведён на рисунке выше.

Современные подходы позволяют решать сформулированную задачу различными методами машинного обучения (например, с использованием LSTM или классификаторов на основе векторных представлений текстов). Но для решения этой задачи необходимо составить большой корпус размеченных текстов, из которых выделены результаты.
При этом составление корпуса вручную является трудоёмкой и дорогостоящей задачей (в качестве асессоров должны выступать специалисты в соответствующих отраслях знаний, имеющие высшее образование и т.п.). Что нецелесообразно.
Для создания размеченного корпуса определений можно использовать БЯМ. В качестве набора научных текстов предлагается использовать http://nlp.isa.ru/fulltext_datasets/russian_journals_ml_dataset.tar.gz. В качестве БЯМ можно использовать любую открытую реализацию через API. Предлагается реализовать для каждого текста следующую процедуру:
I. Подача текста в БЯМ с промптом "Какие результаты получены в этом тексте? Отвечай предложениями исходного текста!" (поле для исследований и творчества).
II. Наложение ответа БЯМ на текст с указанием позиций (в абсолютных смещениях начала и конца фрагмента от начала текста).

Задание:
1. Реализуйте предложенный метод для двух или более БЯМ.
2. Выполните эксперименты на наборе данных.
3. Сопоставьте результаты разных БЯМ, полученные разными промптами.

Дополнительное задание (с *****):
1. Возьмите какую-либо модель (BERT для русского языка, doc_enc[5] и т.п. ) и реализуйте классификатор (результат - не результат) на его основе.
2. Выполните эксперименты на полученном наборе данных.
3. Рассчитайте метрики (полнота, точность) выделения результатов на наборе данных.

Источники.
1 http://www.machinelearning.ru/wiki/images/e/e4/Voron-2019-10-24-human-machine.pdf
2. Osipov G. et al. Exactus expert—search and analytical engine for research and development support //Novel Applications of Intelligent Systems. – 2016. – С. 269-285.
3. Gao Y. et al. Retrieval-augmented generation for large language models: A survey //arXiv preprint arXiv:2312.10997. – 2023. – Т. 2.
4. Швец А. В. Взаимодействие информационных и лингвистических методов в задачах анализа качества научных текстов : дис. – Фед. исслед. центр" Информатика и управление" РАН, 2015.
5. Кузнецова, Ю. М., Осипов, Г. С., Чудова, Н. В., & Швец, А. В. (2012). Автоматическое установление соответствия статей требованиям к научным публикациям. Труды Института системного анализа Российской академии наук, 62(3), 132-138.
6. https://github.com/SemVectors/doc_enc

Контакт для связи: https://t.me/ivsochenkov +7 909 650 52 90 Илья Соченков, к.ф.-м.н.

В статье разбирается алгоритм денойзинга, основанный на классических методах анализа изображений. Несмотря на то, что алгоритм был создан в 2007 году, из-за своей эффективности он до сих пор используется как референс при сравнении с новыми методами обесшумливания изображений.
Задача
Разобрать статью, подробно рассказать об алгоритме и реализовать его на языке по выбору*.
Вопросы

Что такое шум? Какой есть типы шума?
Из каких основных этапов состоит алгоритм? Расскажите о главных идеях этапов.
Как реализуется агрегация патчей, как оцениваются пиксели? Как взвешиваются патчи в первом и втором этапе?
Каким образом происходит совместная фильтрация? Расскажите о математическом аппарате оценки 3D-группы в первом и втором этапе.
Преобразование Уолша-Адамара. Как применяется, какие особенности присутствуют в алгоритме?
Способы оценки результата. Плюсы и минусы метрик.

Бонусные задания

Как применить алгоритм для цветных изображений? Расскажите об особенностях применения алгоритма, переходе из одного цветового пространство в другое.
Самостоятельно реализуйте алгоритм на языке по выбору. Предоставьте код и результаты работы алгоритма на своих изображениях.

По любым возникающим вопросам обращаться к Олегу Карасёву @yasnohmuro.

Исследователей в области цвета и цветовой вычислительной фотографии давно интересует вопрос: а насколько точно можно определить спектр окраски наблюдаемого объекта используя обычную камеру? Ведь если можно, то это позволит решить кучу задач удалённой медицины, точного определения цвета продуктов для интернет-рынка и так далее. Этой теме посвящено много научных работ, в том числе сотрудников Сектора 11.1 ИППИ РАН. Вам предлагается разобраться в одной из них. Необходимо разобраться со следующими частями:
— В чем состоит задача спектральной реконструкции?
— В чем заключается идея, предложенная авторами в этой работе?
— Как работает предложенный авторами алгоритм? Что такое метамеры и как это связано с линейной алгеброй?
— Какие сильные и слабые стороны у предложенного решения?
Так как время доклада существенно ограничено, не следует акцентировать внимание на базовых вещах. Тем не менее, подразумевается, что вы полностью понимаете то, о чем говорите. Собственная имплементация предложенного алгоритма или более простых (например линейных) алгоритмов повысит ваши шансы и поможет лучше разобраться в задаче.

Вопросы по задаче @AgentKolobok.
Удачи!

В статье исследуется проблему оценки качества изображений (IQA) с использованием модели глубокого обучения CLIP (Contrastive Language-Image Pretraining). Основная идея заключается в том, чтобы использовать эмбеддинги изображений и текста, полученные из модели CLIP, для предсказания качества изображений. Этот подход предлагает эффективный способ IQA без необходимости обучения модели на больших наборах данных оценок качества.
Задача
Разобрать статью (и статью про сам CLIP), подробно рассказать об идеях обеих статей и воспроизвести результаты работы, связанные с IQA (таблица 1 в статье)*.
Вопросы

что такое IQA? В чем отличие объективного IQA от субъективного?
В чем основная идея CLIP? (как его обучали?)
Каким образом формировался рейтинг для изображения (вопрос про cosine similarity + softmax)?
Что такое SROCC и PLCC?
Какое нововведение сделали авторы статьи для повышения метрик?
Зачем вообще изначально нужен был positional embedding в CLIP?

Бонусные задания

Посчитать SROCC/PLCC для KonIQ-10k, LIVE-itW или SPAQ. Нарисовать зависимость MOS и выдаваемых метрик, по МНК оценить коэффициенты прямой зависимости.
Рассказать про энкодеры у CLIP: небольшой экскурс в мир ViT и ResNet

По любым возникающим вопросам тыкаться к Артёму Паншину @neverlios.

Имеется распределенная система, состоящая из M вычислительных узлов. Узел k имеет c_k ядер с производительностью p_k (число выполняемых операций в секунду). Характеристики разных узлов могут отличаться друг от друга. Узлы соединены сетью с пропускной способностью B (число передаваемых байтов в секунду).
В этой системе требуется выполнить некоторый расчет, состоящий из T отдельных вычислительных задач. Задачи могут зависеть от данных, вычисляемых другими задачами. Таким образом, расчет можно описать в виде направленного ациклического графа (DAG), вершинами которого являются задачи, а дуги описывают зависимости по данным между задачами. Для каждой задачи i известен требуемый объем вычислений - число операций w_i, откуда можно вычислить время исполнения задачи на узле по его производительности. Для каждой зависимости (i,j) известно число байтов d_ij, передаваемых от задачи i к задаче j. Данная модель описывает многие реальные вычислительные приложения, такие как научные workflow, инженерные расчёты или пайплайны обработки данных.
Задача. Опишите, реализуйте и протестируйте алгоритм, строящий расписание выполнения задач в системе (на каком узле и когда будет запущена каждая задача) с целью минимизации времени выполнения всего расчета (время окончания последней задачи) при следующих ограничениях:

В каждый момент времени узел может выполнять одновременно не более c_k задач (каждая задача потребляет одно ядро).
Задача может начать выполняться на узле только тогда, когда завершатся все родительские задачи и данные от них будут переданы на этот узел. Если задачи выполняются на разных узлах, то данные между ними передаются за время d_ij/B. В случае выполнения на одном узле передача происходит мгновенно.

Алгоритм может не гарантировать оптимальность построенного расписания, но должен стремиться как можно больше уменьшить время расчета. Можно придумать алгоритм самому или же, изучив литературу по теме DAG scheduling, взять алгоритм из одной из статей. Для тестирования алгоритма можно воспользоваться примерами систем и расчетов из этого репозитория и фреймворком DSLab DAG.

По любым возникающим вопросам обращаться к Олегу Сухорослову @osukhoroslov.

Представьте себя Иоганном Кеплером или Исааком Ньютоном, которые разглядывают астрономические схемы движения планет Солнечной системы и пытаются на основании этих (в тому же — неточных !!!) данных вывести закономерности орбитальной динамики. Вспомните насколько «просто» выглядит закон всемирного тяготения Ньютона, который вместе со его же 2-ым законом движения (в дифференциальной форме) позволяет неплохо моделировать движение небесных тел.
В некотором смысле, эта «историческая аналогия» неплохо иллюстрирует типовую ситуацию: исследователь пытается вывести строгие математические закономерности поведения динамической системы на основании имеющихся у него неполных и неточных сведений о «положениях» этой системы в некоторые моменты времени. Если наш исследователь имеет основания полагать, что эти закономерности имеют вид дифференциального уравнения, то ему понадобится определить вид правой части такого уравнения. Именно эту проблему, иногда, называют обратной задачей, т.к. здесь не требуется рассчитать траекторию (решая «прямую» задачу Коши), а, наоборот, по набору точек на траектории определить сам диффур.
В предлагаемая вашему разбору статье намечаются способы решения таких обратных задач в рамках технологии сбалансированной идентификации математических моделей, которая, для краткости, названа SvF-технологией (Simplicity vs Fitting). Эта технология развивается сотрудниками нашего института уже несколько лет, доведена до программной реализации, https://github.com/distcomp/SvF и ее представлена на портале сервисов оптимизационного моделирования на платформе Everest. Можно отметить, что SvF-технология успешно применяется в различных исследованиях, где требуется построить структурную математическую модель изучаемого явления: в биологии, популяционной динамике, биологии растений, физике плазмы, метеорологии, экологии.
После опубликования предлагаемой к разбору статьи, изложенный там метод был доработан до случая обычных (а не только автономных) дифференциальных уравнений с одной или двумя переменными. При этом стало ясно, что предлагаемое тема решения обратных задач на основе конечномерной оптимизации подразумевает много возможностей для дипломных и, даже, кандидатских работ как по развитию численных методов «дискретизации», так и по важным вопросам их программной реализации с использованием современных солверов для задач математического программирования, включая задачи глобальной оптимизации.
По всем возникающим вопросам по этой теме можно обращаться к Владимиру Волошинову @VladVol или vladimir.voloshinov@gmail.com

EM алгоритм и алгоритм KMeans являются двумя популярными методами кластеризации данных. Оба алгоритма используются для разделения набора данных на группы или кластеры на основе их сходства.
Задача: Вам нужно реализовать EM алгоритм и сравнить работу EM алгоритма и KMeans на заданном датасете. Используйте библиотечную реализацию KMeans из sklearn. Для инициализации EM алгоритма используйте KMeans.

Разобраться в EM алгоритме (знать в чём состоят шаги и понимать почему они работают) [можно начать с конспекта]
Написать код для разделения смеси нормальных распределений и применить его к датасету (2-мерный torch. Tensor)
Построить как алгоритмы разделяют датасет на кластеры и изолинии для каждого из получившихся распределений
Модифицируйте свой код для разделения смеси 2х нормальных и одного лапласовского распределения. Запустите свой код на данном датасете. Должно получиться как-то так

Вопросы:

Как работает EM алгоритм
Почему EM алгоритм работает ?
Какие недостатки у EM алгоритма ?
В чём сложность разделения разных классов распределений ?

По любым возникающим вопросам обращаться в тг к Всеволоду Плохотнюку @vsevolod-pl.

В интернете несколько лет назад распространилась публикация, что во время ядерных испытаний (45-63 гг.) снизилось количество сильных землетрясений, в частности не было землетрясений с магнитудой больше 8.3.
Задача. Ваша задача — разобраться в этом вопросе и проверить, насколько справедлива такая гипотеза. Результат заранее мне не известен.
Землетрясения образуют график повторяемости, следующий из закона Гутенберга – Рихтера log₁₀N= a - bM, где N – число землетрясений, a – число, пропорциональное активности и b – наклон графика повторяемости, а M – магнитуда. Очевидно, что если у нас стало меньше сильных землетрясений, то наклон b должен быть больше во время ядерных испытаний, чем после их запрещений. В этом и состоит первичная задача. На следующем этапе можно проверить, как изменяется b в разных регионах и что из этого можно извлечь (не только ведь ядерные испытания влияют на b). Хороший каталог землетрясений можно брать из ISC (https://doi.org/10.31905/D808B830) или NEIC (https://earthquake.usgs.gov/earthquakes/search/). Надо разобраться какие магнитуды бывают, в чем их отличие друг от друга (например, https://doi.org/10.1093/gji/ggu264, https://doi.org/10.1007/s10950-006-9012-4) и выбрать какую-либо одну. Оценивать параметр b можно по этой статье (http://hdl.handle.net/2122/1017) или по этой (https://doi.org/10.1007/s10950-016-9589-1). Дополнительная информация для изучения в этих статьях (https://doi.org/10.1016/j.tecto.2013.12.001, https://doi.org/10.1016/j.earscirev.2017.07.008)

По любым возникающим вопросам обращаться в тг к Александру Дерендяеву @wintsa

Естественный язык постоянно меняется. В нем, в частности, не только появляются новые слова, но и меняются значения существующих. Эти изменения не обязательно связаны с изменением значения во времени. Например, они могут быть связаны с особенностями употребления слова в текстах различных областей знаний (не путать с явлением омонимии). Для обнаружения этого явления, называемого семантическим сдвигом, хорошо зарекомендовали себя неконтекстуализированные векторные представления слов.
Вам предлагается реализовать один из подходов к решению этой задачи и проверить его эффективность качественно на конкретных примерах.

Разобраться со статьей https://aclanthology.org/P16−1141/. Уметь формулировать постановку задачи, предлагаемый авторами подход к решению и алгоритмы получения векторных представлений слов.
Скачать корпус текстов OpenCorpora (https://www.opencorpora.org/?page=downloads)
Выбрать два типа текстов из набора: ЧасКор (новости), Википедия, Блоги, Худ. литература, Нон-фикшн (см. https://www.opencorpora.org/?page=genre_stats). Извлечь из корпуса все тексты выбранных типов и сгруппировать по типу.
Выбрать (и обосновать выбор) один из алгоритмов получения векторных представлений слов, упомянутых в статье, и реализовать его. Например, можно использовать библиотеку gensim (https://radimrehurek.com/gensim/), и тогда реализация любого из алгоритмов из статьи будет сводиться скорее к предобработке текстов корпуса.
Получить векторные представления слов для каждого из двух выбранных типов текстов.
Обнаружить семантические сдвиги, обусловленные различиями в типах текстов, как минимум для трех слов, используя подход, предложенный в статье. Проанализировать эти сдвиги на качественном уровне исходя из собственного понимания языка.

Доп. задания:

Найти слово, для которого семантический сдвиг нельзя объяснить различиями в типах текстов, а можно объяснить только в диахронии.
Найти слово, для которого семантический сдвиг нельзя объяснить различиями в типах текстов, а можно объяснить только явлением омонимии.

Контакт для связи: @derise (Андрей)

Написать VAEGAN, описанный в статье, без оптимизации формы (оптимизировать веса модели очевидно нужно 😀)
Аэродинамические профили (двумерный срез крыла) намного проще обучать, чем картинки, поскольку представление данных одномерное. Более того, это решает задачу параметризации аэродинамического профиля для последующего поиска оптимальной формы.
Вопросы:

Почему форма шумит, т. е. в целом пытается выдать форму профиля, но сами линии ломанные?
Почему вывод иногда коллапсирует в одну точку?
Поможет ли линейная свертка на выходе сгладить результат и чем это грозит?
Построить TSNE визуализацию и график лосса, чем отличается с математической точки зрения поиск наилучшей точки в GAN от обычных нейронок?
На TSNE построить траекторию изменения одного из эмбеддинговых параметров случайного профиля и вывести как меняется его форма.
Почему нужно понизить размерность пространства для того чтобы сэмплить из случайного распределения, причем тут генеративные сети.
Какой уже реализованный baseline подойдет для этой задачи?

Любые вопросы и активность по задаче категорически приветствуются: @leo_sabantsev.

Требуется разработать систему определения суммарного номинала монет по фотографии.
Вход: Изображение (фотография) плоской поверхности, на которой в произвольном порядке расположены монеты. Все монеты из известного набора (напр., российские рубли и копейки), но могут также присутствовать посторонние объекты, не перекрывающие обзор.
Выход: Оценка суммарного номинала монет. При невозможности дать однозначный ответ указать возможный интервал либо варианты ответа.
Допущения: рассмотрите следующие случаи, предложите методы решения и повышения точности распознавания. Выберете, для какой их комбинации реализация вам по силам, и запрограммируйте решение:

Все монеты расположены номиналом («решкой») вверх;
На снимке присутствуют монеты всех возможных номиналов;
Снимок сделан камерой с известными параметрами с известным положением относительно плоскости стола;
Положение и параметры камеры неизвестны;
Оптическая ось камеры перпендикулярна поверхности стола;
Оптическая ось камеры наклонена на небольшой (до 20 градусов) неизвестный угол от вертикали;
Стол нетекстурированный;
Текстура стола не содержит окружностей;
Монеты могут частично перекрываться;
И т.п. — можете сформулировать свои допущения.

Обращаться к @bocharo.

Одной из стандартных задач обработки изображений является задача бинаризации. Она заключается в определении для каждого пикселя изображения определённого класса (1 или 0). Классический пример — у нас на входе фотография изображения с текстом, а нам нужно определить какой пиксель относится к фону, а какой к тексту. В рамках этого трека вам предлагается прочитать 3 классические статьи: «A threshold selection method from gray-level histograms» за авторством Otsu и две её модификации: «Maximum likelihood thresholding based on population mixture models» от Kurita и «Minimum error thresholding» за авторством Kittler-Illingworth.
После чтения статей вам нужно ответить на ряд вопросов:

Когда задача бинаризации в целом имеет смысл? Приведите примеры использования помимо в анализе исторических текстов.
Какие методы использовались для решения задачи бинаризации?
В чём их преимущества и недостатки?
Какой из этих методов работает лучше для задачи бинаризации исторических документов и почему?
Как можно расширить методы, представленные в статье на случай бинаризации многих классов?
Оцените сложность этих методов.
Какие метрики используются для оценки качества бинаризации? В чём их преимущества и недостатки?

Прочитайте дополнительно статью «A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization». Расскажите, в чём основной посыл статьи? Каким образом авторы предлагают расширить метод оцу на случай двумерного признакового пространства? Какие проблемы это помогает решать?
Оригинальные алгоритмы (Оцу, Курита, Китлер-Иллингворт) нужно реализовать и протестировать на открытом датасете снимков исторических текстов: https://vc.ee.duth.gr/dibco2019/. Посчитайте для них метрику Pseudo F-measure, проанализируйте ошибки, отрисуйте гистограммы яркости и выясните какой метод работает лучше.
Обращаться к https://t.me/@korch_sergey.

Задача прогнозирования засухи состоит в том, чтобы спрогнозировать индекс засухи для конкретной территории на некоторое время вперед (например, на несколько месяцев) по заданной истории. В нашем случае мы будем использовать Индекс серьезности засухи Палмера (PDSI). Кроме того, используя некоторые пороговые значения, можно рассматривать прогнозирование засухи как задачу классификации.
Основное задание заключается в том, чтобы предсказать PDSI на 12 месяцев вперед по данным. Разбиение на обучающую и тестовую выборку делайте в пропорции 0,7:0,3. Используйте линейные модели (Linear, NLinear и DLinear) из статьи. Поскольку эти модели предназначены только для временных данных, вам следует расширить их для эффективного учета как пространственных, так и временных зависимостей (попробуйте свои собственные гипотезы). Качество предсказания оценивайте с помощью метрик R², MSE, MAE, RMSE.
Бонусные задания:

Вместо предсказания PDSI, попробуйте решить классификационные задачи:

бинарная классификация: порог = -2, PDSI < -2 => засуха есть. Метрики: ROCAUC, PRAUC, F1.
трёхклассовая классификация: пороги = [-2, 2]. Метрика: Accuracy.

Вместо линейных моделей попробуйте использовать для предсказания:

По вопросам писать Alexander.Marusov@skoltech.ru.

Адверсальные атаки — это специальные методы преобразования исходных данных для снижения качества прогнозов модели. Адверсальные атаки очень популярны в области компьютерного зрения, но они также могут быть применимы и к области временных рядов. Основная проблема использования адверсальных атак в области временных рядов заключается в том, что их легко обнаружить с помощью специальной модели классификатора (дискриминатора).
Базово ваша задача заключается в том, чтобы разобраться с двумя статьями про существующие методы адверсальных атак в области временных рядов: IFGSM и DeepFool.
Бонусное задание является практическим:

Обучите TimesNet, в качестве набора данных используйте датасет FordA для бинарной классификации. Вы можете использовать другой классификатор временных рядов и/или другой набор данных для классификации на свой выбор.
Атакуйте эту модель с помощью IFGSM и/или DeepFool.
Обучите дискриминатор для проверки наличия адверсальной атаки.
Оцените скрытность и эффективность атак с помощью следующих метрик:

effectiveness = 1 — accuracy_{attacked model}
concealability = 1 — accuracy_{discriminator model}

По вопросам обращаться к @Petr_Sokerin.

[ КОНТАКТЫ ПРИЁМНОЙ КОМИССИИ ]

Зайченкова Екатерина

@zay_rina (тг)

Дорогова София

@SofiaDorogova (тг)

Чат для поступающих в Telegram (весна 2026)