• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • A
  • A
  • A
  • A
  • A
Обычная версия сайта
  • RU
  • EN
  • Национальный исследовательский университет «Высшая школа экономики»
  • Публикации ВШЭ
  • Статьи
  • Faster variational inducing input Gaussian process classification
  • RU
  • EN
Расширенный поиск
Высшая школа экономики
Национальный исследовательский университет
Приоритетные направления
  • бизнес-информатика
  • государственное и муниципальное управление
  • гуманитарные науки
  • инженерные науки
  • компьютерно-математическое
  • математика
  • менеджмент
  • право
  • социология
  • экономика
по году
  • 2027
  • 2026
  • 2025
  • 2024
  • 2023
  • 2022
  • 2021
  • 2020
  • 2019
  • 2018
  • 2017
  • 2016
  • 2015
  • 2014
  • 2013
  • 2012
  • 2011
  • 2010
  • 2009
  • 2008
  • 2007
  • 2006
  • 2005
  • 2004
  • 2003
  • 2002
  • 2001
  • 2000
  • 1999
  • 1998
  • 1997
  • 1996
  • 1995
  • 1994
  • 1993
  • 1992
  • 1991
  • 1990
  • 1989
  • 1988
  • 1987
  • 1986
  • 1985
  • 1984
  • 1983
  • 1982
  • 1981
  • 1980
  • 1979
  • 1978
  • 1977
  • 1976
  • 1975
  • 1974
  • 1973
  • 1972
  • 1971
  • 1970
  • 1969
  • 1968
  • 1967
  • 1966
  • 1965
  • 1964
  • 1963
  • 1958
  • еще
Тематика
Новости
18 ноября 2026 г.
Три четверти различий в функциональной грамотности обусловлены генами
Исследователи НИУ ВШЭ впервые оценили на российских данных, насколько функциональная грамотность зависит от наследственности. Анализ результатов 114 пар близнецов из общероссийской выборки восьмиклассников показал: генетические различия объясняют 76% разброса в общем уровне функциональной грамотности. Результаты опубликованы в журнале Behavior Genetics.
18 ноября 2026 г.
«Наука дает мне возможность видеть красоту»
Мария Губина учится в магистратуре факультета математики НИУ ВШЭ и занимается теорией узлов. В интервью проекту «Молодые ученые Вышки» она рассказала о «числе Эрдёша», математических закономерностях вокруг нас и о том, почему ученым стоит научиться печь тортики.
17 ноября 2026 г.
Ученые НИУ ВШЭ разработали метод для обнаружения неисправностей систем охлаждения ЦОД
Исследователи НИУ ВШЭ и Уральского федерального университета разработали метод на основе искусственного интеллекта, который выявляет постепенные утечки хладагента и загрязнение теплообменников в системах охлаждения центров обработки данных. Новая модель учитывает физические связи между элементами холодильного контура, что позволяет выявлять неисправности на ранних стадиях. Результаты опубликованы в журнале IEEE Transactions on Industry Applications.

 

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!

Публикации
  • Книги
  • Статьи
  • Главы в книгах
  • Препринты
  • Верификация публикаций
  • Расширенный поиск
  • Правила использования материалов
  • Наука в ВШЭ

?

Faster variational inducing input Gaussian process classification

Journal of machine learning and data analysis. 2017. Vol. 3. No. 1. P. 20–35.
Izmailov P., Кропотов Д. А.

Предлагается новый подход к настройке моделей гауссовских процессов для задач классификации. Стандартные методы для данной задачи имеют сложность O(n 3 ), где n — размер обучающей выборки. Данное обстоятельство не позволяет применять эти методы к задачам с большим объемом данных. В связи с этим в литературе был предложен ряд подходов, основанных на использовании так называемых вспомогательных точек (inducing inputs). Изначально такие методы использовались для задачи регрессии, но в недавней работе Хенсмэна с коллегами (2015 г.) подобный метод был разработан для задач классификации. В этом методе используется глобальная нижняя оценка на правдоподобие, которая максимизируется по параметрам гауссовского процесса и по дополнительным вариационным параметрам с помощью стохастической оптимизации. Вычислительная сложность данного метода составляет O(nm2 ), где m — число вспомогательных точек, которое обычно существенно меньше, чем n. Однако число переменных в оптимизации составляет O(m2 ), что делает задачу поиска оптимальных параметров весьма сложной при больших значениях m. Предлагаются две новые оценки на маргинальное правдоподобие в модели гауссовских процессов со вспомогательными точками для задач классификации, а также несколько методов для их оптимизации. В новых оценках количество численно оптимизируемых переменных не зависит от числа вспомогательных точек m. В результате новые процедуры обучения становятся эффективными для широкого диапазона параметров n и m. Кроме того, в отличие от стохастического метода из статьи Хенсмэна с коллегами (2015 г.), новые процедуры не требуют настройки параметров пользователем. Это значительно облегчает использование новых методов на практике. Проведенные эксперименты показывают, что новые методы демонстрируют сравнимое или лучшее качество по сравнению с методом из работы Хенсмэна с коллегами (2015 г.).

Научное направление: Компьютерные науки
Приоритетные направления: компьютерно-математическое
Язык: английский
Полный текст
DOI
Текст на другом сайте
Ключевые слова: машинное обучениеоптимизацияmachine learningVariational inferenceoptimization algorithmвариационный выводGaussian processesгауссовский процесс
Похожие публикации
Agreement among large language models does not track medical truth in health claim verification
Артёменко Е. Д., Кольцова Е. Ю., Nikolenko S. и др., Scientific Reports 2026
Добавлено: 20 ноября 2026 г.
FLowRA: Flow-Guided Rank Allocation for Parameter-Efficient Fine-Tuning of Deep Neural Networks
Aleksei Samarin, Назаренко А. А., Kotenko E. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 11 Article 389
Добавлено: 19 ноября 2026 г.
Signatures to Help Interpretability of Anomalies
Gangler E., Ishida E., Корнилов М. В. и др., , in: Machine Learning for Astrophysics 2024.: Springer, 2026. P. 97–104.
Добавлено: 19 ноября 2026 г.
Machine Learning for Astrophysics 2024
Springer, 2026.
Добавлено: 19 ноября 2026 г.
Approximation of Multivariate Time Series in Astronomy Using Vector Gaussian Processes
Semenikhin T. A., Корнилов М. В., Pruzhinskaya M. V., Moscow University Physics Bulletin 2025 Vol. 80 No. S1 P. S204–S207
Добавлено: 19 ноября 2026 г.
Anomaly detection in Fink: I. Discovery, follow-up, and classification of unusual sources
Pruzhinskaya M. V., Корнилов М. В., Dodin A. V. и др., Astronomy and Astrophysics 2026 Vol. 715 P. 1–18
Добавлено: 19 ноября 2026 г.
Supernova scores for active anomaly detection
Semenikhin T. A., Kornilov M.V., Pruzhinskaya M. V. и др., Astronomy and Computing 2026 Vol. 56 Article 101126
Добавлено: 19 ноября 2026 г.
Active learning of collinear magnetic Moment Tensor Potentials using the spin-MLIP package from soft-constrained spin-polarized DFT calculations: a case study of Fe-Pd
Burov A., Котыхов А. С., Aksyonov D. и др., Computer Physics Communications 2027 Vol. 330 Article 110458
Явный учет магнитных степеней свободы в межатомных потенциалах, построенных с помощью методов машинного обучения (магнитных MLIP), играет ключевую роль в корректном описании магнитных материалов и их свойств. Важным компонентом для обучения таких потенциалов являются спин-поляризованные расчеты в рамках теории функционала плотности (DFT), проводимые для состояний с неравновесными магнитными моментами — то есть расчеты DFT с ...
Добавлено: 17 ноября 2026 г.
Toward reliable false discovery rate control in classification problems under distribution shift
Кертес-Фаркаш А., Боревский А. О., Plos One 2026 Vol. 21 No. 11 P. 1–20
Background Domain shifts or batch effects can significantly degrade the performance of machine learning-based classifiers in software production without any warning. This can particularly be problematic in medical applications which involve human lives. The shift changes the shape of the prediction score distribution of the test samples compared to that of the training samples; hence, decision ...
Добавлено: 17 ноября 2026 г.
Влияние нейронных сетей на современную фотографию: от инструмента до нейроавтоматона
Фадеева Т. Е., Першеева А. Д., В кн.: Первый Российско-Китайский форум. Теория и практика художественного образования: вызовы современности, традиции и национальные школы XXI века : Коллективная монография по материалам международной научной конференции.: М.: Российский государственный художественно-промышленный университет им. С.Г. Строганова, 2024.
В данном исследовании рассматривается влияние нейронных сетей на современную фотографию в технологическом и эстетическом аспектах. Диапазон применения технологий машинного обучения в современной фотографии широк: от использования креативных инструментов в обработке фотографий (нейросеть может убрать «цветовой шум», повысить детализацию, изменить размер изображений и т.д.) до искусственной генерации кадра целиком, которая происходит в достаточной степени автономно, продолжая ...
Добавлено: 14 ноября 2026 г.
Траектории ставок как сигнал сговора: LSTM-классификация аукционов государственных закупок
Ефимов К. Д., Журнал Новой экономической ассоциации 2026 № 72 С. 105–114
В работе предлагается метод автоматического выявления картель ного поведения в электронных аукционах государственных закупок на основе анализа пол ной траектории ставок. Эмпирическая база включает 508 историй торгов за 2016–2020 гг. с электронной площадки РТС-тендер; положительный класс размечен по материалам дел ФАС России, контрольная группа сформирована из сопоставимых аукционов без зафикси рованных нарушений. Каждая сессия представлена ...
Добавлено: 13 ноября 2026 г.
Model-Dependent Prompt-Component Ablation for Medical LLM Decision Support: Application to ENT Biologics Screening
Sergey N. Koltcov, Budkovaia M., Сурков А. Ю. и др., IEEE Journal of Biomedical and Health Informatics 2026 P. 1–10
Добавлено: 13 ноября 2026 г.
Impact of 5G NR-V2X Message Losses on Connected Vehicle Warning Functions
Физулин А. В., Степанянц В. Г., Американов А. А. и др., FUTURE TRANSPORTATION 2026 Vol. 6 No. 6 Article 264
Добавлено: 12 ноября 2026 г.
Structural model of decision support system for sustainable development of oil and gas companies
Stoianova A. D., Trofimets V. Y., Matrokhina K. V., International Journal of Engineering, Transactions A: Basics 2025 Vol. 38 No. 4 P. 701–709
Добавлено: 10 ноября 2026 г.
EdFitter: a hybrid course recommendation system using large language models
Sergei Koltcov, Рюмин Д. А., Alexandr Axyonov и др., PeerJ Computer Science 2026 Article 12:e4141
Добавлено: 10 ноября 2026 г.
Assessing density equilibration in confined Liquid–Liquid interfaces
Guskov T., Gerke K., Кондратюк Н. Д. и др., Molecular Simulation 2026 Vol. 52 No. 7 P. 546 – 555
Добавлено: 10 ноября 2026 г.
Influence of nuclear quantum effects on metastable states of warm dense hydrogen
Lukyanchuk V., Норман Г. Э., Кондратюк Н. Д. и др., Scientific Reports 2026 Vol. 16 No. 1 Article 16435
Добавлено: 10 ноября 2026 г.
Predicting multi-component oil viscosity using machine learning methods
Deshchenya V., Nikolay D. Kondratyuk, Sivakova A. и др., Chemical Engineering Sciences 2027 Vol. 337 Article 124616
Добавлено: 28 октября 2026 г.
Parameterization and calibration of wild blueberry machine learning models to predict fruit-set in the northeast china bog blueberry agroecosystem
Qu H., Xiang R., Obsie E. Y. и др., Agronomy 2021
Добавлено: 22 октября 2026 г.
Анализ алгоритмов квантовых вычислений в биомедицине
Горбунов А. А., Григорьев А. А., Демидов Л. Н. и др., Приборы и системы. Управление, контроль, диагностика 2025 № 7 С. 20–24
Быстрое развитие технологии квантовых вычислений потенциально может произвести революцию в сложных вычислениях в физических, химических и биологических областях за счет использования квантовой суперпозиции и запутанности. Квантовые компьютеры используют кубиты, способные существовать в нескольких состояниях одновременно, в отличие от классических битов. Эта функция позволяет хранить и обрабатывать больше информации, что дает значительное преимущество при решении задач с обширным пространством ...
Добавлено: 12 октября 2026 г.
Interpretability of Neural-Network Models for the Synthesis and Analysis of Microstrip Microwave Filters: Application of SHAP and LIME
Suslova A., Жидкова П. А., Arinin O. и др., , in: 2026 Systems of Signal Synchronization, Generating and Processing in Telecommunications, SYNCHROINFO 2026 (IEEE Conference # 70145), 30 June – 03 July, 2026.: IEEE Circuits and Systems Society, 2026. P. 1–4.
Добавлено: 3 октября 2026 г.
Enhancing Boundary Stability in Decision Trees and Random Forests: A Weighted Sample Duplication Approach
Konstantinov A., Elizarova Anastasiya P., Utkin L., Computing, Telecommunications and Control 2026 Vol. 19 No. 1 P. 16–25
Деревья решений и их ансамблевые расширения, такие как случайные леса, широко используются в качестве моделей классификации благодаря своей простоте и интерпретируемости. Однако во многих реальных задачах, где метки классов перекрываются в пространстве признаков, стандартные деревья решений полагаются на жесткие разбиения, которые создают слабые границы принятия решений. В этих областях небольшие возмущения входных значений могут привести ...
Добавлено: 2 октября 2026 г.
Proceedings of the Thirty-Fifth International Joint Conference on Artificial Intelligence (IJCAI 2026)
International Joint Conferences on Artificial Intelligence, 2026.
Добавлено: 1 октября 2026 г.
A Three-Party W-State Quantum Secret Sharing Protocol with X-Gate Encoding and Forbidden-Outcome Detection
Timur Teregulov, Elena R. Loubenets, / Series Quantum Physics "arXiv". 2026. No. 2609.31472.
Добавлено: 28 сентября 2026 г.
  • О ВЫШКЕ
  • Цифры и факты
  • Руководство и структура
  • Устойчивое развитие в НИУ ВШЭ
  • Преподаватели и сотрудники
  • Корпуса и общежития
  • Закупки
  • Обращения граждан в НИУ ВШЭ
  • Фонд целевого капитала
  • Противодействие коррупции
  • Сведения о доходах, расходах, об имуществе и обязательствах имущественного характера
  • Сведения об образовательной организации
  • Людям с ограниченными возможностями здоровья
  • Единая платежная страница
  • Работа в Вышке
  • ОБРАЗОВАНИЕ
  • Лицей
  • Довузовская подготовка
  • Олимпиады
  • Прием в бакалавриат
  • Вышка+
  • Прием в магистратуру
  • Аспирантура
  • Дополнительное образование
  • Центр развития карьеры
  • Бизнес-инкубатор ВШЭ
  • Образовательные партнерства
  • Обратная связь и взаимодействие с получателями услуг
  • НАУКА
  • Научные подразделения
  • Исследовательские проекты
  • Мониторинги
  • Диссертационные советы
  • Защиты диссертаций
  • Академическое развитие
  • Конкурсы и гранты
  • Внешние научно-информационные ресурсы
  • РЕСУРСЫ
  • Библиотека
  • Издательский дом ВШЭ
  • Книжный магазин «БукВышка»
  • Типография
  • Медиацентр
  • Журналы ВШЭ
  • Публикации
  • http://www.minobrnauki.gov.ru/
    Министерство науки и высшего образования РФ
  • https://edu.gov.ru/
    Министерство просвещения РФ
  • https://elearning.hse.ru/mooc
    Массовые открытые онлайн-курсы
  • НИУ ВШЭ1993–2026
  • Адреса и контакты
  • Условия использования материалов
  • Политика обработки персональных данных
  • Правила применения рекомендательных технологий в НИУ ВШЭ
  • Карта сайта
Редактору