Научная экспедиция на Хайнань: ученые ВШЭ организовали конференцию по статистическому ИИ в Китае

© Высшая школа экономики

С 24 по 28 августа 2026 года в городе Санья на острове Хайнань (Китай) прошла международная конференция Statistical AI («Статистический искусственный интеллект»). Мероприятие собрало ведущих специалистов в области статистики, машинного обучения и прикладного ИИ. Среди организаторов конференции — Алексей Наумов, директор Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ, преподаватель Центра организации обучения студентов для топ-специалистов в сфере искусственного интеллекта, и Сергей Самсонов, заведующий Международной лабораторией стохастических алгоритмов и анализа многомерных данных, преподаватель Центра организации обучения студентов для топ-специалистов в сфере искусственного интеллекта.

Конференция стала площадкой для обсуждения актуальных вопросов теории статистики, которая обеспечивает надежность современного ИИ: как количественно оценить неопределенность, принимать решения в этих условиях и разрабатывать теоретически обоснованные алгоритмы, масштабируемые для больших объемов данных.

Алексей Наумов

«Организация этой конференции была полностью нашей инициативой — от подачи заявки и формирования тематической программы до привлечения международного сообщества. Нам удалось собрать исследователей из восьми стран — России, Китая, Сингапура, Гонконга, Японии, ОАЭ, Франции и Великобритании, — что подтверждает востребованность тематики и готовность коллег к прямым научным контактам», — отметил Алексей Наумов.

Сергей Самсонов

«Считаю, что нам удалось добиться больших успехов в выстраивании диалога с коллегами из ведущих мировых исследовательских центров. С некоторыми из них мы уже активно ведем совместные научные исследования, и конференция послужила отличной площадкой для обмена мнениями и обсуждения будущего академического партнерства», — поделился Сергей Самсонов.

Научная программа конференции отражала всю палитру современных исследований на стыке статистики и искусственного интеллекта. Доклады исследователей из разных стран задавали тон дискуссиям — от фундаментальных вопросов обобщающей способности нейросетей до прикладных методов обучения с подкреплением и генеративного моделирования. Кендзи Фукумидзу (Япония) рассказал о неожиданной связи между генеративными моделями и операторами проксимального типа. Ген Ли (Гонконг) посвятил лекции фундаментальным основам диффузионных моделей. Отдельного внимания заслужили доклады Алекса Лэмба (Китай) о компактных внутренних моделях мира в трансформерах и Юньбэя Сюя (Сингапур) о его теории поточечного обобщения, получившей награду на конференции ICML. В завершение программы Цзюньпэй Комияма (ОАЭ) рассказал о методе статистической сертификации голосования,а Лэй Ву (Китай) — о функциональных законах масштабирования для предобучения больших языковых моделей.

Владимир Спокойный

Владимир Спокойный, научный руководитель Лаборатории теоретических основ моделей ИИ (ТОМИИ), представил новый взгляд на смеси гауссовых распределений через призму многообразий в докладе “Manifold Gaussian Mixture Models”. «Наш подход решает классическую проблему, с которой сталкиваются аналитики данных: как работать с распределениями в пространствах очень высокой размерности, где традиционные методы (например, стандартные гауссовы смеси) либо ломаются, либо требуют колоссальных вычислительных ресурсов. Мы предлагаем использовать идею многообразия — предположение, что реальные данные лежат не хаотично во всем огромном пространстве признаков, а концентрируются на некой низкоразмерной поверхности (многообразии), — рассказал Владимир Спокойный. — Наши численные эксперименты показывают, что метод достигает современного уровня производительности (state-of-the-art) на реальных задачах, а теоретические гарантии подтверждают, что идентификация компонент оптимальна в смысле эффективной размерности. Это значит, что мы получаем не просто эвристику, а математически обоснованный инструмент для работы с самыми сложными наборами данных, с которыми сталкивается современный бизнес и наука».

Никита Пучкин

Никита Пучкин, заведующий Лабораторией ТОМИИ, преподаватель Центра организации обучения студентов для топ-специалистов в сфере искусственного интеллекта, в докладе “Stochastic optimal control approach to generative modelling and Schrödinger potential estimation” рассказал о том, как сделать генеративные модели предсказуемо точными, даже когда данных для обучения мало. «Мы работаем с генеративными моделями, которые используют случайные процессы. Чтобы получить нужное распределение данных, мы часто применяем так называемый мост Шрёдингера — элегантный способ соединить два распределения. Но есть загвоздка: управляющий сигнал, или потенциал, зависит от целевого распределения, которого мы заранее не знаем. В нашем распоряжении — только выборка, а любая ошибка в оценке потенциала может сбить модель с курса. Мы сосредоточились на оценке потенциала Шрёдингера через минимизацию эмпирической KL-дивергенции и показали, что при очень мягких условиях (которые выполняются для широкого класса реальных распределений) она ведет себя идеально — с отличными геометрическими свойствами. Это позволило нам получить неасимптотические верхние границы точности. То есть мы теперь знаем, насколько можем ошибаться», — пояснил Никита Пучкин.

© Высшая школа экономики

В рамках конференции также выступили исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ:

 Максим Рахуба, заведующий Научно-учебной лабораторией матричных и тензорных методов в машинном обучении, преподаватель Центра организации обучения студентов для топ-специалистов в сфере искусственного интеллекта, с докладом “Linear Algebra Problems in Muon-based Optimization”;

 Марина Шешукова, младший научный сотрудник Международной лаборатории стохастических алгоритмов и анализа многомерных данных, с докладом “Gaussian Approximation and Bootstrap for SGD”; 

 Константин Яковлев, младший научный сотрудник Лаборатории теоретических основ моделей ИИ, с докладом “Generalization bounds for Diffusion Models”;

Денис Беломестный, ведущий научный сотрудник Международной лаборатории стохастических алгоритмов и анализа многомерных данных, с докладом “Statistical analysis of Inverse Entropy-regularized RL”.

В рамках воркшопа состоялась отдельная сессия, целиком посвященная выступлениям молодых ученых. Организаторы выделили пять докладов аспирантов и постдоков из ведущих мировых центров — Пекинского университета, Сингапурского национального университета и НИУ ВШЭ. Никита Морозов, младший научный сотрудник Центра глубинного обучения и байесовских методов, и Илья Левин, младший научный сотрудник Международной лаборатории стохастических алгоритмов и анализа многомерных данных, представили результаты своих исследований — от теоретических аспектов оптимизации до прикладных задач.

Воркшоп стал важной вехой в коллаборации между НИУ ВШЭ и ведущими мировыми центрами, такими как Tsinghua University, SLAI (Shenzhen), CUHK (Shenzhen), NUS (National University of Singapore), MBZUAI. 

«Опыт в очередной раз убедил нас в оптимальности формата малых конференций — 30–50 участников. Именно такая численность позволяет выйти за рамки формального протокола: возникает пространство для углубленных дискуссий, возможность осмысленно воспринять каждый доклад и установить личные профессиональные связи, которые зачастую оказываются важнее регламентных выступлений. Вдохновленные результатами, мы уже наметили следующий шаг — рассматриваем возможность проведения аналогичного мероприятия в Гонконге или Сингапуре, чтобы расширить географию и привлечь новых партнеров», — подчеркнул Алексей Наумов.