Преподаватели

Обучения и координация действия в мультиагентных системах, обучение автоматов, основанные на знаниях экспертные системы, вопросы человеко-машинного взаимодействия.

Динамические графовые модели, теория автоматов, формальные языки. Графовые и семантические методы поддержки принятия решений. Последние исследования посвящены сотрудничеству с нейробиологами и разработке новых моделей биологических нейронов.

Логический искусственный интеллект, автоматизированная поддержка научных исследований в гуманитарных областях, формализация познавательных процедур, интеллектуальный анализ данных, принципы и логические средства формализованного качественного анализа социологических данных, интеллектуальные системы автоматизированной поддержки научных исследований в гуманитарных областях

Human-Robotic Symbiosis

Интеллектуальные системы управления на железнодорожном транспорте, временные ряды, нечетко-темпоральные базы знаний, слияние данных, интеллектуальный анализ данных, большие данные.

Мультиагентные системы, логические методы в искусственном интеллекте, моделирование рассуждений. Нечеткие и гранулярные вычисления. Приложения методов ИИ в сенсорных сетях, промышленных системах управления, в железнодорожном транспорте. Психологические и эргономические аспекты искусственного интеллекта.

Научные интересы: инженерия знаний, управление знаниями, онтологические модели в обучении и менеджменте, визуально-аналитическое мышление.
Email: gavrilova@gsom.spbu.ru

Общий искусственный интеллект, обучение с подкреплением, планирование поведения, когнитивные системы управления робототехническими платформами, теория знаковой картины мира.


Личная страница: https://cogmodel.mipt.ru/panov

Интеллектуальная робототехника, геометрические методы в робототехнике. Планирование траектории, компьютерное зрение, мультиагентные системы.

Личная страница: https://cogmodel.mipt.ru/yakovlev

Техническое зрение, искусственный интеллект, глубокое обучение, робототехника.

Личная страница: https://cogmodel.mipt.ru/yudin

Компьютерное зрение, глубокое обучение, обучаемые представления, анализ биомедицинских изображений.

Личная страница: https://faculty.skoltech.ru/people/victorlempitsky

Системы машинного обучения, интеллектуальный анализ данных, техническое зрение, улучшенное и синтезированное видение.

Профиль в ResearchGate: https://www.researchgate.net/profile/Yu-Vizilter

Приложения теории игр в мультиагентных системах. Моделирование биологических нейронных сетей. Обучение с подкреплением, использование моделей биологических нейронов в машинном обучении.

Вероятностные модели в искусственном интеллекте, байесовские сети. Анализ социальных сетей, моделирование поведения пользователей и его приложения в информационной безопасности.

Интеллектуальные датчики, когнитивные измерения. Применение нечетких, и гранулярных вычислений в системах сбора данных и мониторинга. Логические методы искусственного интеллекта.

Вероятностные алгоритмы, машинное обучение, искусственный интеллект

Инженерия знаний, управление знаниями, онтологические модели в обучении и менеджменте, визуально-аналитическое мышление

Многоагентные системы, групповое управление, семантические вычисления, машинное обучение, эффективные и робастные алгоритмы обработки больших данных, слияние информации из гетерогенных источников

Логика в искусственном интеллекте, машинное обучение, интеллектуальный анализ данных

Обработка естественного языка (NLP) и компьютерная лингвистика. Основные интересы в компьютерной лингвистике включают компьютерную морфологию (автоматический морфологический анализ, словоизменение и деление на морфемы) и синтаксис, а также автоматическое исправление опечаток и грамматических ошибок. Нейросетевые методы в компьютерной лингвистике, их адаптация под конкретный язык (прежде всего русский) и предметную область, а также применение в NLP знаний из теоретической лингвистики. Применение NLP в образовательных технологиях, например, для автоматической проверки работ учащихся. Занимался математической теорией формальных языков и категориальными грамматиками.

Методы локализации робототехнических платформ на основе комплексирования данных лидаров и камер, быстрые методы семантической сегментации дорожной сцены на изображениях из салона автомобиля.

Основная область исследований: мультиагентный поиск пути, проблемы выполнимости (SAT) и выполнимости в теориях (satisfiability modulo theories - SMT), эвристический поиск, планирование движения, задачи программирования в ограничениях (CSP), робототехника. К сфере научных интересов также относятся вычислительная сложность и разработка алгоритмов, теория игр, вычислительная геометрия, компьютерная графика и физика.

Личная страница: http://surynek.net/_main/index.php

К основной области научных интересов относятся искусственный интеллект и робототехника. Конкретные направления исследований включают планирование в пространствах высокой размерности с неопределенностью и в реальном времени, обучение стратегиям планирования, автоматическая генерация компактных представлений задач планирования. Для решения этих задач разрабатываются новые алгоритмы эффективного поиска в больших графах для планирования в реальном времени и методы компактного графового представления задач планирования. Разрабатываемые методы используются в разнообразных роботах: мобильных манипуляторах, беспилотных летательных аппаратах, гуманоидных роботах и др.

Личная страница: http://www.cs.cmu.edu/~maxim/

Исследовательские интересы включают: машинное обучение (особенно с подкреплением), многоагентные системы и пользовательское моделирование.
В этих областях он опубликовал более 140 рецензируемых статей с индексом Хирша 31 и был соредактором трех книг Springer. Его исследование финансировалось, в частности, Horizon 2020, EPSRC, BBSRC и InnovateUK. Он был председателем на конференции AAMAS и несколько раз был старшим членом программного комитета AAMAS и IJCAI.

Тема доклада: Scaling up and assuring reinforcement learning with abstract MDPs
While reinforcement learning (RL) had recent great successes in game AI and other decision making tasks, there are still two major challenges:

(1) Scaling up RL to complex tasks, due to high sample complexity.
(2) Assuring properties such as safety of the learning process and the learning result.

In this lecture, I will show how Abstract Markov Decision Processes (AMDPs), reward shaping, and quantitative verification can be used to tackle these challenges. Furthermore, I will show how imprecision and errors in the AMDPs can be overcome, and how AMDPs can be automatically constructed, using auto-encoders and graph learning algorithms.

Основные области интересов: планирование, обучение с подкреплением, имитационное обучение, а также методы обучения векторных представлений для повышения эффективности этих подходов. Применение методов автономного принятия решений в робототехнике и компьютерных системах (веб-краулинг, кэширование, распределение ресурсов).

Тема доклада: Representation Learning for Reinforcement Learning
Абстракт: Vanilla reinforcement learning (RL) regards solving sequential decision-making problems as a process of using bandit feedback to train a function that maps an RL agent's observations to actions. The past decade's experiences of combining RL with deep neural networks (DNNs) and applying deep RL methods to environments with high-dimensional observations, e.g., robotics and videogames, highlight a formidable issue with this simplified RL paradigm. DNNs capture a very expressive function class; training them solely with impoverished reward signals of a single RL task leads to overfitting, poor sample efficiency, and other difficulties. Representation learning methods for RL offer a promising solution to these challenges. They view observation-action mapping as a composition of two functions: a complex highly non-linear encoder that compresses observations to a representation -- a small set of features directly relevant to decision-making -- and a relatively simple policy that chooses actions based on the representation's features. While the policy itself may be learned via RL alone, training the representation can involve an intricate mixture or reinforcement, supervised, and self-supervised learning. This talk will provide a broad overview of RL-focused representation learning approaches. It will examine the role of representations in improving sample efficiency and generalization of RL agents in single-task and multitask settings, as well as briefly touch on meta-learning for RL. This exposition assumes only basic familiarity with RL concepts, as well as a very high-level idea of how deep RL algorithms such as PPO work.

Научные интересы:
Применение статистических методов анализа сигналов для неинвазивной визуализации мозга. Анализ функциональных связей в коре, обнаружение синхронизации, интерпретация и моделирование сигналов коры, решение некорректно поставленных обратных задач при обработке данных ЭЭГ, МЭГ и спектроскопии. Обнаружение и локализация эпилептической активности и взаимодействия между потенциальными очагами эпилепсии. Разработка нейрокомпьютерных интерфейсов и систем с биологической обратной связью.

Научные интересы:
Нейроморфные архитектуры и их аппаратная реализация. Применение моделей биологических нейронных сетей в задачах робототехники и машинного обучения: планирование пути, обход препятствий, формирование карты, использование пространственного языка, выучивание временных последовательностей и ассоциативных сетей. Разработка нейроморфных контроллеров и датчиков, их использование в машинном зрении и управлении роботами. Моделирование нейродинамики и процессов обучения и адаптации. Методы генерации последовательностей нейродинамическими моделями.

Научные интересы:
Распознавание и понимание видеопоследовательностей, моделирование и распознавание на изображениях действий и взаимодействий людей, определение позы людей на монокулярных и стерео видеопоследовательностях, ответы на вопросы по видео, обучаемые векторные представления объектов на видео, обучение робототехнических агентов на основе видео, планирование поведения роботов.

Личная страница: https://www.di.ens.fr/~laptev/

Научные интересы:
AI,
Evolutionary Computation
Computational Intelligence
Pattern Recognition
Fuzzy Set Theory
Time Series
Личная страница: https://www.researchgate.net/profile/Ildar-Batyrshin-2/6

Научные интересы:
обучение с подкреплением, машинное обучение в робототехнике, оптимизация систем машинного обучения.
Личная страница: http://alex-petrenko.github.io/