Диссертации, представленные на защиту и подготовленные в НИУ ВШЭ

This thesis explores the intersection of human-AI interaction and transportation forecasting, focusing on the development and application of attention-based neural network models, particularly memory networks. The research investigates the challenges inherent in traffic prediction tasks, such as capturing complex spatio-temporal dependencies and providing interpretable predictions. Leveraging the attention mechanism, the proposed models aim to enhance prediction accuracy and provide insights into the underlying factors influencing traffic dynamics. The thesis encompasses a comprehensive analysis of spatio-temporal data, model development, and evaluation, as well as techniques for visualizing and interpreting model predictions. Through empirical studies and case examples, the effectiveness and practical implications of the proposed approach are demonstrated. The findings contribute to advancing the understanding of human-AI interaction in transportation systems and provide valuable insights for improving the accuracy and interpretability of predictive models in complex real-world scenarios.

Масс-спектрометрия используется для изучения и идентификации молекул в биологических образцах. Неправильная аннотация масс-спектра может привести к тому, что будут сделаны ложные выводы о результатах экспериментов и, как следствие, приняты неверные решения, например, при выборе правильной лекарственной терапии. В связи с этим важно иметь надежные и точные методы для аннотирования и идентификации масс-спектров, в независимости от протокола эксперимента. В ходе диссертационного исследования был разработан новый интерпретируемый метод BoltzMatch, основанный на стохастической нейронной сети. Предложен новый непараметрический метода калибровки рейтингов Tailor для обеспечения сопоставимости рейтингов между масс-спектрами. Разработан новый метод диверсифицирующей регуляризации, помогающей при обучении произвольных глубоких стохастических нейронных сетей. Показано, что методы машинного обучения могут переобучаться на данных масс-спектрометрии, в результате чего происходит смещение оценок из-за переусложнения модели.

Диссертационная работа посвящена созданию системы управления человеческой походкой методами машинного обучения, подходящей для роботизированных протезов в случае двойной трансфеморальной ампутации. Используется гипотеза о том, что существует высокая корреляция между движениями бедра и голени. Таким образом, для генерации положения голени на основании движения бедра можно использовать методы машинного обучения. Для достижения данной цели использовалась рекуррентная нейронная сеть. Также, для распознавания намерения пользователя встать и сесть был разработан метод RapidHARe. Для обучения и валидации моделей машинного обучения был собран уникальный датасет, который содержит информацию о взаимном расположении частей ноги, полученную с инерциальных датчиков, и информацию о электрической активности мышц бедер.