Телеграм канал «Лаборатория сложных сетей, гиперграфов и их приложений/ НИС Complex Networks»

Друзья, в этот вторник (27.10.26) на НИСе выступит Георгий Тарасов с докладом "Введение в теорию графонов".

Аннотация доклада
Предельный переход является классическим методом анализа больших дискретных структур. При правильном подходе свойства предельного объекта выражают и наследуют свойства его конечных аппроксимаций. Графоны — это предельные объекты для последовательностей плотных графов, которые были развиты в работах Ловаса, Сегеди и др. для сведения экстремальных комбинаторных задач к вариационным.

В докладе мы рассмотрим, как переходить от матриц смежности к измеримым функциям на квадрате, разберём механизм генерации случайных сетей из непрерывного графона, изучим метрику среза на графах и полноту пространства графонов, а также затронем некоторые непараметрические и алгоритмические приложения данной теории
Ждем вас 27.10.26 в 18:10 в аудитории 108

Друзья!
В эту пятницу (30.10.26) у нас в гостях Лаборатория мультимодальной аналитики Федерального центра мозга и нейротехнологий ФМБА РФ

Её руководитель Клеева Дарья Федоровна (к. ф.-м. н.) сделает у нас доклад. Прилагаем анонс:

«Количественная оценка характеристик многомерных нейрофизиологических сигналов в контексте задач диагностики и реабилитации»

Современная клиническая нейрофизиология предполагает работу с многомерными временными рядами нескольких модальностей, в частности, ЭЭГ, МЭГ, локальные потенциалы поля подкорковых структур, ЭМГ, кинематика движения и др. Клинические же решения ограничиваются набором дискретных критериев. Доклад посвящён устройству соотнесения этих характеристик на примерах нескольких задач неврологии: локализации эпилептиформной активности, оценки динамических режимов бета-осцилляций субталамического ядра при болезни Паркинсона, оценки моторных нарушений по видео, параметризации мышечных ответов при эпидуральной стимуляции спинного мозга, соотнесения модальностей для задач протезирования и поиска маркеров латентных состояний в ЭЭГ покоя. По итогам доклада слушатели смогут составить представление о текущем репертуаре средств анализа нейроданных и их ограничениях.


Ждем вас 30.10.26 в 14 50 в аудитории 306.

Так же будет организована попытка запустить зум трансляцию

#лаборатория_сложных_сетей

Друзья!
В эту пятницу (23.10.26) у нас на семинаре выступит Алексей Зайцев.

Прилагаем аннотацию:

Геометрия Грассманиана: комбинаторные методы и связь с квантовыми интегрируемыми системами

Геометрия Грассманиана имеет много интересных свойств с комбинаторной точки зрения. Так, например, можно естественным образом сопоставить матроиду класс в К-теории, тогда полином Татта можно вычислить геометрически через конволюции. Похожие конволюции используются при геометрической интерпретации коэффициентов матриц, возникающих в квантовых интегрируемых системах, в частности, в пределах шестивершинной модели. Эти же коэффициенты можно вычислить как суммы весов непересекающихся путей на цилиндре в определённом графе. В данном докладе я расскажу про вышеописанные конструкции, а также объясню новые результаты, полученные в этой области.

Ждем вас 23.10.26 в 14 50 в аудитории 306.

Так же будет организована попытка запустить зум трансляцию

#лаборатория_сложных_сетей

Друзья!

Сегодня мы продолжим рассказывать про некоторые свойства этой теоретико-игровой модели

Прилагаем ссылку на зум сегодняшнего доклада

Друзья!
В эту пятницу (16.10.26) у нас на семинаре выступит Сергей Усанов.

Прилагаем аннотацию:

Task-relevant topological features in Neural Networks

Интерпретация нейросети часто упирается в вопрос о её отдельных элементах — на что обращает внимание тот или иной нейрон? Этот вопрос можно изучать, наделяя «внимание» разным смыслом: для свёрточных сетей часто исследуют область картинки и визуальный паттерн, для LLM логично взять конкретные смыслы или концепции. Я предлагаю исследовать поведение отдельных нейронов тогда, когда для решения поставленной задачи важна геометрическая структура данных.

Обучающая выборка может содержать топологические особенности, и естественно спросить, оставляют ли они след в сети после обучения. Далее я фиксирую задачу как бинарную классификацию, и для неё релевантность распадается на два понятия. Особенность релевантна самой задаче, если классы переплетены так, что разделить их значит отличить внутренность от внешности; это свойство размеченной выборки, и устанавливается оно до всякого обучения. И особенность релевантна тому, как конкретная нейронка решила задачу, если её выделяет линия уровня одного из скрытых нейронов. Я измеряю и исследую именно второе понятие. Для этого я ввожу три инструмента: структурный и гомологический скоры и дескриптор формы линии уровня.

Я выделяю три эффекта, которые действуют на форму линий уровня: топологический, геометрический и плотностный. На семинаре расскажу о том, как строил эксперименты и старался развести эти 3 эффекта.

По их результатам получилось показать, что ни плотность выборки, ни избыточная ёмкость архитектуры сами по себе не заставляют нейроны выделять особенность; решает именно релевантность задаче — одна и та же особенность выделяется почти каждой сетью там, где задаче нужна, и ни одной там, где не нужна. Однако оказалось, что в релевантном случае форма линии уровня следует не за самой особенностью, а за парой объектов: особенностью вместе с классом, который она охватывает.

Ждем вас 16.10.26 в 14 50 в аудитории 306.

#лаборатория_сложных_сетей

Друзья,

В этот вторник на студенческом семинаре у нас будет приглашенная лекция коллег из НИИ прикладного ИИ и цифровых решений РЭУ им. Г.В. Плеханова, посвященная статье Clique-based topology enhances reservoir computing performance. Аннотация от лекторов:

Резервуарные вычисления – метод машинного обучения, который хорошо предсказывает поведение сложных систем. Однако возможности классических резервуаров ограничены устройством их внутренней сети. В работе предложена новая архитектура: скрытый слой собран из клик, небольших групп полностью связанных узлов. Такая структура лучше представляет и обрабатывает информацию. Она точнее классических подходов в трёх задачах: предсказание поведения нейрона со случайным шумом, моделирование хаотических систем и восстановление сигналов ЭЭГ. Кроме того, такая архитектура снижает чувствительность к конкретной топологии сети. Это упрощает создание компактных и экономичных физических резервуаров. С помощью систематического анализа определена функциональная роль каждого топологического элемента и предложены стратегии проектирования

Ждем вас 13.10.26 в 18:10 в аудитории 108.