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

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

1. Какие проблемы встречает исследователь в сфере распознавания ценных фракций отходов?
2. Набор данных в статье. Какие плюсы и минусы конкретных датасетов вы можете выделить.
3. Какие метрики оценки качества моделей используются в статье? Плюсы и минусы метрик, в каких случаях они используются и почему.
4. Что такое hierarchical detector? Расскажите про идею и реализацию в статье.
5. Реализация трёх топовых моделей детекции, презентация кода и результатов инференса.
6. * Реализация всех моделей детекции.

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

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

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

• 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.

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

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

1. Разобраться со статьей https://aclanthology.org/P16−1141/. Уметь формулировать постановку задачи, предлагаемый авторами подход к решению и алгоритмы получения векторных представлений слов.
2. Скачать корпус текстов OpenCorpora (https://www.opencorpora.org/?page=downloads)
3. 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.
4. 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.
5. Получить векторные представления слов для каждого из двух выбранных типов текстов.
6. 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.

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

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

Вопросы по задаче: ershov@iitp.ru с темой письма: «собеседование ИППИ»

Удачи!

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

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

1. 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.

1. Вместо линейных моделей попробуйте использовать для предсказания:

• Earthformer
• ConvLSTM

1. 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.
2. Атакуйте эту модель с помощью IFGSM и/или DeepFool.
3. Обучите дискриминатор для проверки наличия адверсальной атаки.
4. Оцените скрытность и эффективность атак с помощью следующих метрик:

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