Беломестный Денис Витальевич
- Ведущий научный сотрудник:Факультет компьютерных наук / Институт искусственного интеллекта и цифровых наук / Международная лаборатория стохастических алгоритмов и анализа многомерных данных
- Начал работать в НИУ ВШЭ в 2014 году.
- Научно-педагогический стаж: 9 лет.
Образование, учёные степени
- 2002Кандидат физико-математических наук: Московский государственный университет им. М.В. Ломоносова
- 1998
Специалитет: Московский государственный университет им. М.В. Ломоносова, специальность «Прикладная математика», квалификация «Математик»
Достижения и поощрения
- Лучший преподаватель – 2019
Надбавка за статью в зарубежном рецензируемом научном издании (2016-2018)
Публикации59
- Статья Puchkin N., Samsonov S., Belomestny D., Moulines E., Naumov A. Rates of convergence for density estimation with generative adversarial networks // Journal of Machine Learning Research. 2024. Vol. 25. No. 29. P. 1-47.
- Статья Belomestny D., Goldman A., Naumov A., Samsonov S. Theoretical guarantees for neural control variates in MCMC // Mathematics and Computers in Simulation. 2024. Vol. 220. P. 382-405. doi
- Глава книги Tiapkin D., Belomestny D., Calandriello D., Moulines E., Munos R., Naumov A., Perrault P., Tang Y., Valko M., Menard P. Fast Rates for Maximum Entropy Exploration, in: Proceedings of the 40th International Conference on Machine Learning: Volume 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USA Vol. 202: International Conference on Machine Learning, 23-29 July 2023, Honolulu, Hawaii, USA. PMLR, 2023. P. 34161-34221.
- Книга Belomestny D., Ulyanov V. V., Butucea C., Reiss M., Mammen E. Foundations of Modern Statistics: Festschrift in Honor of Vladimir Spokoiny, Berlin, Germany, November 6–8, 2019, Moscow, Russia, November 30, 2019 / Отв. ред.: D. Belomestny.; Ed. by D. Belomestny. Vol. 425. Springer Publishing Company, 2023. doi
- Глава книги Tiapkin D., Belomestny D., Calandriello D., Moulines E., Munos R., Naumov A., Perrault P., Valko M., Menard P. Model-free Posterior Sampling via Learning Rate Randomization, in: Advances in Neural Information Processing Systems 36 (NeurIPS 2023). Curran Associates, Inc., 2023. P. 73719-73774.
- Статья Belomestny D., Pilipauskaite V., Podolskij M. Semiparametric estimation of McKean–Vlasov SDEs // Annales de l'institut Henri Poincare (B) Probability and Statistics. 2023. Vol. 59. No. 1. P. 79-96. doi
- Статья Tiapkin D., Belomestny D., Naumov A., Valko M., Menard P. Sharp Deviations Bounds for Dirichlet Weighted Sums with Application to analysis of Bayesian algorithms // Working papers by Cornell University. Series math "arxiv.org". 2023. Article 2304.03056.
- Статья Belomestny D., Naumov A., Puchkin N., Samsonov S. Simultaneous approximation of a smooth function and its derivatives by deep neural networks with piecewise-polynomial activations // Neural Networks. 2023. Vol. 161. P. 242-253. doi
- Статья Belomestny D., Gugushvili S., Schauer M., Spreij P. Weak solutions to gamma-driven stochastic differential equations // Indagationes Mathematicae. 2023. Vol. 34. No. 4. P. 820-829. doi
- Статья Belomestny Denis, Iosipoi L., Paris Q., Zhivotovskiy N. Empirical Variance Minimization with Applications in Variance Reduction and Optimal Control // Bernoulli: a journal of mathematical statistics and probability. 2022. Vol. 28. No. 2. P. 1382-1407. doi
- Глава книги Tiapkin D., Belomestny D., Moulines E., Naumov A., Samsonov S., Tang Y., Valko M., Menard P. From Dirichlet to Rubin: Optimistic Exploration in RL without Bonuses, in: Proceedings of the 39th International Conference on Machine Learning Vol. 162. PMLR, 2022. P. 21380-21431.
- Статья Belomestny D., Gugushvili S., Schauer M., Spreij P. Nonparametric Bayesian volatility estimation for gamma-driven stochastic differential equations // Bernoulli: a journal of mathematical statistics and probability. 2022. Vol. 28. No. 4. P. 2151-2180. doi
- Глава книги Tiapkin D., Belomestny D., Calandriello D., Éric Moulines, Munos R., Naumov A., Rowland M., Valko M., Menard P. Optimistic Posterior Sampling for Reinforcement Learning with Few Samples and Tight Guarantees, in: Thirty-Sixth Conference on Neural Information Processing Systems : NeurIPS 2022. Curran Associates, Inc., 2022. P. 10737-10751.
- Препринт Belomestny D., Morozova E., Panov V. Statistical inference for scale mixture models via Mellin transform approach / Cornell University. Series arXiv.org "stat.ME". 2022. No. 2211.01799.
- Препринт Belomestny D., Kaledin M., Golubev A. Variance Reduction for Policy-Gradient Methods via Empirical Variance Minimization / -. Series - "-". 2022. doi
- Статья Belomestny D., Moulines E., Samsonov S. Variance reduction for additive functionals of Markov chains via martingale representations // Statistics and Computing. 2022. Vol. 32. No. 1. Article 16. doi
- Статья Масютин А. А., Савченко А. В., Наумов А. А., Самсонов С. В., Тяпкин Д. Н., Беломестный Д. В., Морозова Д. С., Бадьина Д. А. О разработке прикладных решений на основе искусственного интеллекта для обеспечения технологической безопасности // Доклады Российской академии наук. Математика, информатика, процессы управления (ранее - Доклады Академии Наук. Математика). 2022. Т. 508. № 106. С. 23-27. doi
- Статья Belomestny D., Goldenshluger A. Density deconvolution under general assumptions on the distribution of measurement errors // Annals of Statistics. 2021. Vol. 49. No. 2. P. 615-649. doi
- Статья Belomestny D., Iosipoi L. Fourier transform MCMC, heavy-tailed distributions, and geometric ergodicity // Mathematics and Computers in Simulation. 2021. No. 181. P. 351-363. doi
- Статья Bayer C., Belomestny D., Hager P., Paolo P., Schoenmakers J. Randomized Optimal Stopping Algorithms and Their Convergence Analysis // SIAM Journal on Financial Mathematics. 2021. Vol. 12. No. 3. P. 1201-1225. doi
- Статья Belomestny D., Levin I., Moulines E., Naumov A., Samsonov S., Zorina V. UVIP: Model-Free Approach to Evaluate Reinforcement Learning Algorithms // Working papers by Cornell University. Series math "arxiv.org". 2021. Article 2105.02135.
- Статья Belomestny D., Iosipoi L., Moulines E., Naumov A., Samsonov S. Variance reduction for dependent sequences with applications to Stochastic Gradient MCMC // SIAM-ASA Journal on Uncertainty Quantification. 2021. Vol. 9. No. 2. P. 507-535. doi
- Статья Belomestny D., Goldenshluger A. Nonparametric density estimation from observations with multiplicative measurement errors // Annales de l’Institut Henri Poincaré. 2020. Vol. 56. No. 1. P. 36-67. doi
- Статья Belomestny D., Schoenmakers J. Optimal Stopping of McKean-Vlasov Diffusions via Regression on Particle Systems // SIAM Journal on Control and Optimization. 2020. Vol. 58. No. 1. P. 529-550. doi
- Статья Belomestny D., Schoenmakers J., Spokoiny V., Zharkynbay B. Optimal stopping via reinforced regression // Communications in Mathematical Sciences. 2020. Vol. 18. No. 1. P. 109-121. doi
- Статья Belomestny D., Kaledin M., Schoenmakers J. Semitractability of optimal stopping problems via a weighted stochastic mesh algorithm // Mathematical Finance. 2020. Vol. 30. No. 4. P. 1591-1616. doi
- Статья Bayer C., Belomestny D., Redmann M., Riedel S., Schoenmakers J. Solving linear parabolic rough partial differential equations // Journal of Mathematical Analysis and Applications. 2020. Vol. 490. No. 1. Article 124236. doi
- Статья Belomestny D., Moulines E., Iosipoi L., Naumov A., Samsonov S. Variance reduction for Markov chains with application to MCMC // Statistics and Computing. 2020. No. 30. P. 973-997. doi
- Статья Belomestny D., Panov V., Woerner J. Low-frequency estimation of continuous-time moving average Levy processes // Bernoulli: a journal of mathematical statistics and probability. 2019. Vol. 25. No. 2. P. 902-931. doi
- Статья Belomestny D., Kraetschmer V., Hübner T., Nolte S. Minimax theorems for American options without time-consistency // Finance and Stochastics. 2019. Vol. 23. P. 209-238. doi
- Статья Belomestny D., GUGUSHVILI S., SCHAUER M., SPREIJ P. NONPARAMETRIC BAYESIAN INFERENCE FOR GAMMA-TYPE LEVY SUBORDINATORS // Communications in Mathematical Sciences. 2019. Vol. 17. No. 3. P. 781-816. doi
- Статья Belomestny D., Comte F., Genon-Catalot V. Sobolev-Hermite versus Sobolev nonparametric density estimation on R // Annals of the Institute of Statistical Mathematics. 2019. Vol. 71. No. 1. P. 29-62. doi
- Статья Belomestny D., Trabs M., Tsybakov A. Sparse covariance matrix estimation in high-dimensional deconvolution // Bernoulli: a journal of mathematical statistics and probability. 2019. Vol. 25. No. 3. P. 1901-1938. doi
- Статья Belomestny D., Orlova T., Panov V. Statistical inference for moving-average Lévy-driven processes: Fourier-based approach // Statistica Neerlandica. 2019. Vol. 1. P. 100-117. doi
- Статья Беломестный Д. В., Иосипой Л. С. Об оценке плотности распределения с помощью ряда Фурье // Управление большими системами: сборник трудов. 2019. № 82. С. 28-43. doi
- Книга Belomestny D., Schoenmakers J. Advanced Simulation-Based Methods for Optimal Stopping and Control: With Applications in Finance. Palgrave Macmillan, 2018. doi
- Статья Belomestny D., Trabs M. Low-rank diffusion matrix estimation for high-dimensional time-changed Levy processes // Annales de l'institut Henri Poincare (B) Probability and Statistics. 2018. Vol. 54. No. 3. P. 1583-1621. doi
- Статья Belomestny D., Schoenmakers J. PROJECTED PARTICLE METHODS FOR SOLVING MCKEAN−VLASOV STOCHASTIC DIFFERENTIAL EQUATIONS // SIAM Journal on Numerical Analysis. 2018. Vol. 56. No. 6. P. 3169-3195. doi (в печати)
- Статья Belomestny D., Urusov M., Häfner S. Regression-based complexity reduction of the nested Monte Carlo methods // SIAM Journal on Financial Mathematics. 2018. Vol. 9. No. 2. P. 665-689. doi (в печати)
- Статья Belomestny D., Panov V. Semiparametric estimation in the normal variance-mean mixture model // Statistics. 2018. Vol. 52. No. 3. P. 571-589. doi
- Статья Belomestny D., Häfner S., Urusov M. Stratified regression-based variance reduction approach for weak approximation schemes // Mathematics and Computers in Simulation. 2018. Vol. 143. P. 125-137. doi
- Статья Belomestny D., Iosipoi L., Zhivotovskiy N. Variance Reduction in Monte Carlo Estimators via Empirical Variance Minimization // Doklady Mathematics. 2018. Vol. 98. No. 2. P. 494-497. doi
- Статья Belomestny D., Kraetschmer V. Addentum to "Optimal Stopping Under Model Uncertainty:Randomized Stopping times approach" // Annals of Applied Probability. 2017. Vol. 2. No. 27. P. 1289-1293. doi
- Статья Belomestny D., Mai H., Schoenmakers J. Generalized Post–Widder inversion formula with application to statistics // Journal of Mathematical Analysis and Applications. 2017. No. 455. P. 89-104. doi
- Глава книги Belomestny D., Häfner S., Urusov M. Regression-Based Variance Reduction Approach for Strong Approximation Schemes, in: Modern problems of stochastic analysis and statistics - Selected contributions in honor of Valentin Konakov / Ed. by V. Panov. Heidelberg : Springer, 2017. doi P. 131-178.
- Препринт Belomestny D., Panov V. Semiparametric estimation in the normal variance-mean mixture model / Cornell University. Series ArXiv.org "Stat". 2017. No. 1705.07578.
- Статья Belomestny D., Krymova E., Haerdle W. Sieve Estimation of the Minimal Entropy Martingale Marginal Dencity with Application to Pricing Kernel Estimation // International Journal of Theoretical and Applied Finance. 2017. Vol. 20. No. 6. P. 1750041-1-1750041-21. doi
- Препринт Belomestny D., Orlova T., Panov V. Statistical inference for moving-average Lévy-driven processes: Fourier-based approach / Cornell University. Series arXiv "stat". 2017. No. 1702.02794.
- Препринт Belomestny D., Panov V., Woerner J. Low frequency estimation of continuous-time moving average Lévy processes / Cornell University. Series arXiv "math". 2016. No. 1607.00896.
- Статья Belomestny D., Krätschmer V. Optimal stopping under model uncertainty: Randomized stopping times approach // Annals of Applied Probability. 2016. Vol. 26. No. 2. P. 1260-1295.
- Статья Belomestny D., Schoenmakers J. Statistical inference for time-changed Lévy processes via Mellin transform approach // Stochastic Processes and their Applications. 2016. Vol. 126. No. 7. P. 2092-2122. doi
- Статья Belomestny D., Joshi M., Schoenmakers J. Addendum to: Multilevel dual approach for pricing American style derivatives // Finance and Stochastics. 2015. Vol. 19. No. 3. P. 681-684. doi
- Статья Belomestny D., Prokhorov A. Stability of characterization of the independence of random variables by the independence of linear statistics. // Theory of Probability and Its Applications. 2015. Vol. 59. No. 4. P. 179-190.
- Статья Belomestny D., Schoenmakers J. Statistical Skorohod embedding problem: Optimality and asymptotic normality // Statistics and Probability Letters. 2015. Vol. 104. P. 169-180. doi
- Статья Belomestny D., Panov V. Statistical inference for generalized Ornstein-Uhlenbeck processes // Electronic journal of statistics. 2015. Vol. 9. No. 2. P. 1974-2006. doi
- Глава книги Belomestny D., Reiss M. Estimation and Calibration of Lévy Models via Fourier Methods, in: Lévy Matters IV. Estimation for Discretely Observed Lévy Processes. Vol. 2128: Lévy Matters IV. Heidelberg : Springer, 2014. P. 1-76.
- Книга Belomestny D., Comte F., Genon-Catalot V., Masuda H., Reiss M. Lévy Matters IV. Estimation for Discretely Observed Lévy Processes. Vol. 2128: Lévy Matters IV. Heidelberg : Springer, 2014.
- Статья Belomestny D., Panov V. Abelian theorems for stochastic volatility models with application to the estimation of jump activity // Stochastic Processes and their Applications. 2013. Vol. 123. No. 1. P. 15-44.
- Статья Belomestny D., Panov V. Estimation of the activity of jumps in time-changed Levy models // Electronic journal of statistics. 2013. Vol. 7. P. 2970-3003.
Конференции
- 201510th IMACS Seminar on Monte Carlo Methode (Линц). Доклад: Multilevel Monte Carlo for weak approximation schemes
- Workshop on "Nonparametric and high-dimensional statistics", Heidelberg (Хайдельберг). Доклад: Low-rank diffusion covariance matrix estimation under presence of jumps
Опыт работы
1998 - 2002 МГУ им. Ломоносова
2002 - 2003 Институт прикладной математики университета Бонн
2003 - 2011 Институт Вейерштрасса прикладного анализа и стохастики (Берлин)
2011 - н.вр. Университет Дуйсбург-Эссен
Информация*
- Общий стаж: 9 лет
- Научно-педагогический стаж: 9 лет
- Преподавательский стаж: 7 лет
«Каждая статья на NeurIPS — значительный результат»
Сотрудники факультета компьютерных наук НИУ ВШЭ представят 12 своих работ на 37-й конференции NeurIPS. Conference and Workshop on Neural Information Processing Systems — одно из самых значительных событий в сфере искусственного интеллекта и машинного обучения. В этом году она пройдет с 10 по 16 декабря в Новом Орлеане (США).
Прошла конференция SAMPLE
26-30 октября в Геленджике прошла конференция SAMPLE (Statistics, Artificial Intelligence, Machine Learning, Probability, Learning Theory Event).
Для европейских университетов двойные аспирантуры — достаточно распространенная практика
Максим Каледин, аспирант и младший научный сотрудник HDI Lab рассказал о своих научных проектах, задачах и двойной аспирантуре с École Polytechnique.
Выпуск 2020. Часть I
В 2020 году Факультет компьютерных наук выпускает 233 бакалавра и 154 магистра в области анализа данных и машинного обучения, хранения и обработки больших данных, биоинформатики, программной инженерии и системного программирования. 18 красных дипломов получили выпускники бакалавриата и 36 – магистратуры. Более того, в этом году ФКН закончили 9 лауреатов стипендии им. Ильи Сегаловича и 3 лауреата научной премии им. Ильи Сегаловича в номинации «Молодые исследователи».
Факультет компьютерных наук и Сколтех провели третью совместную Олимпиаду "Статистическая теория обучения"
Факультет компьютерных наук НИУ ВШЭ и Сколтех в третий раз провели олимпиаду "Статистическая теория обучения”, главная цель участия в которой – поступление на совместную магистерскую программу Сколтеха и НИУ ВШЭ.
First Cohort Graduates from Master’s Programme in Statistical Learning Theory
The Master's Programme in Statistical Learning Theory was launched in 2017. It is run jointly with the Skolkovo Institute of Science and Technology (Skoltech). The programme trains future scientists to effectively carry out fundamental research and work on new challenging problems in statistical learning theory, one of the most promising fields of science. Yury Kemaev and Maxim Kaledin, from the first cohort of programme graduates, sat down with HSE News Service to talk about their studies and plans for the future.
Статистическая теория обучения – первый выпуск
Совместная программа НИУ ВШЭ и Сколковского института науки и технологий выпустила своих первых магистров. Бывшие студенты рассказали о том, как проходило обучение, каково это – учиться в двух университетах и чем они планируют заниматься дальше.
CoCoS 2019
Четвертая научно-практическая конференция студентов CoCoS (Conference of Computer Science) прошла на факультете компьютерных наук 9 и 10 апреля 2019 года в рамках Дней компьютерных наук.
Сотрудники HDI Lab выступили с докладами на IMS-Vilnius Conference 2018
С 2 по 6 июля в Вильнюсе (Литва) прошла конференция "12th International Vilnius Conference on Probability Theory and Mathematical Statistics and 2018 IMS Annual Meeting on Probability and Statistics". Эта конференция является одной из ведущих мировых конференций в области современной теории вероятностей и математической статистики. Мероприятие проводится раз в четыре года, начиная с 1973 года. В этом году его посетило более 500 участников из разных стран мира.
Летние встречи семинара "Структурное обучение"
9 июля в 11:00 на факультете компьютерных наук состоялось внеочередное заседание семинара по структурному обучению.
Получен грант Российского научного фонда
Проект "Анализ случайных объектов высокой размерности и приложения к задачам обработки больших массивов данных" (РНФ № 18-11-00132) коллектива Международной лаборатории стохастических алгоритмов и анализа многомерных данных стал победителем конкурса на получение грантов по приоритетному направлению деятельности Российского Научного Фонда "Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами".
Руководитель гранта - Алексей Наумов, основные исполнители - Владимир Спокойный, Денис Беломестный.
HSE Lends Its Support to the Very First Conference in ‘New Frontiers in High-Dimensional Probability and Statistics’
On February 23 and 24, the Institute for Information Transmission Problems of the Russian Academy of Sciences hosted the first international mini-conference entitled ‘New frontiers in high-dimensional probability and statistics’. The event was attended by Russian and international researchers in the field of statistical methods of analysis of multidimensional data and modern stochastic algorithms. The conference was hosted by HSE, the Institute for Information Transmission Problems of the RAS and Skoltech. Organisers included HSE Faculty of Computer Science staff, Vladimir Spokoiny, Alexey Naumov, Denis Belomestny and Quentin Paris.
Первая конференция «New frontiers in high-dimensional probability and statistics»
23-24 февраля в Институте проблем передачи информации РАН прошла первая международная мини-конференция «New frontiers in high-dimensional probability and statistics» («Современные вызовы в многомерной теории вероятностей и математической статистике»). Конференция состоялась при поддержке ВШЭ, ИППИ РАН и Сколтеха. Организаторами выступили сотрудники факультета компьютерных наук Владимир Спокойный, Алексей Наумов, Денис Беломестный и Кентан Пари.
‘Our Programme Aims to Make a Research Breakthrough at the Intersection of Mathematics and Computer Science’
In 2017, the HSE Faculty of Computer Science and Skoltech are opening admissions to the Master’s programme inStatistical Learning Theory, which will become the successor to theMathematical Methods of Optimization and Stochastics programme.Vladimir Spokoiny, the programme’s academic supervisor and professor of mathematics at Humboldt University in Berlin, told us about the research part of the new programme and the opportunities it offers to both Master’s students and undergraduate students alike.
«Наши студенты должны осуществить научный прорыв на стыке математики и компьютерных наук»
В 2017 году факультет компьютерных наук НИУ ВШЭ и Сколтех будут вести совместный прием на магистерскую программу «Статистическая теория обучения», которая станет правопреемницей программы «Математические методы оптимизации и стохастики». О научной составляющей новой программы и о возможностях, которые она предоставляет студентам не только магистратуры, но и бакалавриата, рассказывает академический руководитель программы, профессор математических наук университета Гумбольдта в Берлине, Владимир Спокойный.