28 октября 2026 года состоится заседание совместного семинара РАИИ и ФИЦ ИУ РАН «Проблемы искусственного интеллекта».
На заседании семинара будет представлен доклад на тему «Методы повышения предсказательной силы и интерпретируемости алгоритмов машинного обучения и интеллектуального анализа данных».
Докладчик:
доктор физико-математических наук, профессор Олег Валентинович Сенько (в.н.с. ФИЦ ИУ РАН, профессор кафедры “Математических методов прогнозирования” факультета вычислительной математики и кибернетики МГУ им. М.В. Ломоносова).
Аннотация доклада
Доклад будет состоять из двух частей. Первая часть посвящена конструированию новых более точных алгоритмов машинного обучения (МО) по набору моделей, полученных с помощью уже известных методов. В основе подхода лежит генерация ансамблей алгоритмов с по возможности максимальной обобщающей способностью. На каждом шаге к существующему на этот момент ансамблю по обучающей выборке строится новый алгоритм, нацеленный на максимальное снижение ошибки обновлённого ансамбля. Будет представлена подробная схема генерации ансамбля и приведены результаты исследования её эффективность на выборках различной природы, подтверждающие, что новый подход на многих задачах превосходит по эффективности современные реализации градиентного бустинга, включая CatBoost и LightGBM. Особенностью подхода является возможность «усиления» не только «слабых» алгоритмов, но и алгоритмов, полученных с помощью современных высокоэффективных методов.
Вторая часть доклада будет посвящена методу интеллектуального анализа данных, предназначенного для идентификации и описании закономерностей, которые объективно существуют в данных, позволяя сгенерировать алгоритмы МО, обладающие достаточно высокой обобщающей способностью. Подход основан на использовании непараметрического способа оценки статистической значимости исследуемых закономерностей, основанного на сравнении с результатами на случайных выборках, генерируемых из исходной выборки случайными перестановками значений целевых переменных относительно фиксированных позиций признаков. В работе используется концепция полностью верифицированной закономерности, предполагающая необходимость оценки статистической значимости всех элементов соответствующей математической модели. Будет рассказано о различных способах достижения полной верификации на заданном уровне значимости, включая использование статистической интерпретации принципа Бритвы Оккама.
Представленный подход будет проиллюстрирован примерами полностью верифицированных закономерностей, выявленных при решении различных биомедицинских задач.
В докладе будет обсуждена возможность трактовки подхода как альтернативного метода достижения интерпретируемости искусственного интеллекта.
Заседание состоится в конференц-зале ФИЦ ИУ РАН (Москва, ул. Вавилова, дом 44, корп. 2, пом. 124) в смешанном формате.