#машинное обучение

Ученые впервые зарегистрировали спящую сверхмассивную черную дыру на окраине галактики — в 30 тысячах световых лет от ядра. Невидимый гигант выдал себя лишь тогда, когда разорвал пролетавшую мимо звезду, вызвав мощную вспышку света.

Сотрудники Института системного программирования РАН и МФТИ разработали метод предсказания RTT (Round-Trip Time — время приема-передачи) с использованием онлайн-обучения и детектора дрейфа данных.

Исследователи «Яндекса» предложили способ решить проблему «катастрофического забывания» при обновлении слов-триггеров для умных устройств. Гаджеты смогут узнавать новые голосовые команды, продолжая распознавать уже известные. Исследование с описанием подхода авторы представят на международной конференции Interspeech 2026, которая пройдет с 27 сентября по 1 октября в Сиднее.

Международная группа исследователей, в которой участвовали математики из Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ, теоретически обосновала простой и вычислительно легкий метод оценки неопределенности для стохастического градиентного спуска (SGD).

Физтехи разработали стохастический вариант метода Франк—Вульфа для моделирования равновесного распределения транспортных потоков. Особенность нового подхода — использование случайных фрагментов из большого массива данных — ускоряет вычисления, при этом в экспериментах метод показывает качество решения, сопоставимое с классическими алгоритмами.

Новый метод оценки сложности данных, формируемых нейронными сетями, позволяет лучше понять принципы их обучения. В работе представлена размерность Патнаика-Пирсона как мера внутренней размерности данных, связывающая современные теории обучения нейронных сетей и поведение трансформеров.

Эволюция галактик оказалась сложнее, чем считалось: новая серия космологических симуляций впервые воспроизводит их рождение почти без упрощений. Такие модели позволяют не только объяснять наблюдения, но и предсказывать ранее неизвестные свойства Вселенной.

Использование моделей машинного обучения позволяет добиться более высокой точности прогнозирования рисков российского фондового рынка по сравнению с классическими эконометрическими подходами. Предсказательная сила моделей возрастает на 23%, а средняя доходность инвестора может вырасти до 13% годовых. К таким выводам пришел сотрудник базовой кафедры инфраструктуры финансовых рынков ФЭН ВШЭ Никита Лысенок.

Коллектив исследователей из МФТИ и Института проблем передачи информации им. А. А. Харкевича (ИППИ РАН) разработал математическую модель, описывающую, как системы искусственного интеллекта влияют на собственное будущее, обучаясь на данных, которые сами же и породили. Ученые создали теоретический каркас, объясняющий природу «цифровых эхо-камер» и механизм, из-за которого умные алгоритмы со временем могут терять адекватность или усиливать социальные предрассудки.

Представьте себе компанию, которая управляет деньгами на сумму больше, чем валовой внутренний продукт всех стран мира, кроме США и Китая. Компанию, чьи решения ежедневно влияют на пенсионные накопления миллионов людей, на цены акций крупнейших корпораций и даже на политику центральных банков. Эта компания существует, и называется она BlackRock. 

Добывающие компании по всему миру ежегодно теряют миллиарды рублей из-за необходимости прерывать работу для проведения исследований и отслеживания состояния месторождений. Традиционные гидродинамические и геофизические методы мониторинга требуют многодневных остановок скважин и приводят к значительным финансовым потерям из-за недополучения больших объемов полезных ископаемых. Ученые Пермского Политеха создали программный комплекс для непрерывной оценки проницаемости нефтяных пластов с помощью искусственного интеллекта. Технология демонстрирует точность 99,7% и позволяет выявлять изменения на месторождениях в реальном времени.

Исследователи рекомендательных технологий «Яндекса» нашли способ, как повысить качество работы рекомендательных систем, чтобы они лучше понимали предпочтения пользователей, например, в товарах или контенте, и составляли более точные рекомендации. Для этого исследователи внедрили дополнительную корректировку в процесс обучения таких моделей.

Нефтяные пласты содержат множество мелких пустот и полостей, которые заполнены не только углеводородами, но и водой. Она может занимать до 70% их объема. Для точного расчета запасов нефти и планирования эффективной добычи важно заранее определять количество воды в породе. Традиционно это рассчитывается с помощью трудоемких и дорогостоящих испытаний образцов породы в лабораториях. Но при работе со сложными неоднородными пластами они не всегда дают точные результаты. Ученые Пермского Политеха и Иранского Университета Персидского залива разработали инновационный метод качественной оценки водонасыщенности нефтяных коллекторов с использованием машинного обучения. Комплексное исследование позволило выявить наиболее оптимальный алгоритм, который превосходит традиционные подходы, обеспечивая точность прогноза до 99,5%.

Система распознавания лиц стремительно внедряется во все сферы жизни, от разблокировки смартфонов до систем оплаты в супермаркетах, где на кону стоят деньги и личные данные. Эксперты Пермского Политеха рассказали, как устроена биометрия, спасет ли макияж, линзы и очки от идентификации, почему алгоритмы путают близнецов, могут ли злоумышленники украсть чье-то лицо, как дипфейки угрожают безопасности системы и стоит ли доверять свои финансы новым технологиям.

Болезнь Альцгеймера — это хроническое нейродегенеративное заболевание головного мозга, одна из самых распространенных форм деменции. Согласно статистике ВОЗ, в 2015 году ей страдали 47 миллионов человек во всем мире, к 2030 году это число увеличится до 75, а к 2050 — до 132. На поздних стадиях болезнь не поддается лечению, поэтому крайне важна ранняя диагностика — только в этом случае прогрессирование патологии можно значительно замедлить. Но начало ее развития сложно отследить как пациенту, так и врачу, поскольку симптомы могут долго себя не проявлять. Ученые Пермского Политеха предложили инновационный метод диагностики болезни Альцгеймера, который основан на исследовании вен головного мозга. Их подход позволяет выявлять заболевание с точностью до 89% на ранних стадиях.

Еще в 1970-х годах в рамках миссии NASA «Викинг» ученые заметили на марсианских склонах и утесах темные ветвящиеся линии. Лишь в XXI веке американский студент Луджендра Оджха увидел, что часть таких линий — на крутых маловысотных марсианских склонах — появляются в теплое время года, но исчезают в холодное. Так должна вести себя тающая вода, что вызвало гипотезу о водной природе этих потоков. Теперь, проанализировав более 86 000 снимков поверхности Красной планеты с помощью машинного обучения, планетологи установили, что наиболее вероятный механизм образования темных полос — сухой.

Коллектив ученых из МФТИ разработал и теоретически обосновал два новых подхода к решению одной из фундаментальных проблем машинного обучения: определению достаточного размера выборки. Их работа предлагает измерять, насколько «уверенность» модели в своих параметрах меняется при добавлении или удалении всего одного элемента данных, используя для этого два различных математических инструмента.

Одна из фундаментальных проблем при создании эффективных моделей машинного обучения — определение необходимого и достаточного количества данных для их обучения. Слишком мало данных — модель будет неточной, слишком много — неоправданные затраты времени и ресурсов на сбор и обработку информации. Ученые из МФТИ предложили два новых метода для решения этой задачи, основанных на анализе функции правдоподобия с использованием техники бутстрэпа.

Современные технологии активно внедряются в российскую военную промышленность. Развиваются БПЛА и роботизированные комплексы с искусственным интеллектом, создаются новые гиперзвуковые аппараты, средства для радиоэлектронной борьбы и системы навигации. Исследователь Пермского Политеха разработал прототип автоматической турели, использующей технологии нейросетей и машинного обучения. Технология может применяться для мониторинга периметров или защиты инфраструктуры.

Участие в научных конференциях — это не только шанс поделиться своими идеями, но и важный шаг в карьере будущего исследователя. Однако не все студенты готовы к такой активности. Как преподавателям заранее понять, кто из первокурсников проявит интерес к науке? В МТУСИ нашли ответ, используя алгоритмы машинного обучения.