Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали подход, который помогает эффективнее подбирать рекомендательные алгоритмы. В нем разные методы попарно соревнуются, а по результатам всех поединков составляется общий рейтинг. Это помогает сократить число алгоритмов, которые нужно проверять при разработке новых сервисов, и сэкономить денежные и временные ресурсы.Исследование было представлено на 32-й конференции ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2026).
Институт искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ и Сбер представили новую архитектуру для рекомендательных систем: благодаря объединению двух классов моделей алгоритмы лучше угадывают интересы и потребности пользователей. Препринт работы опубликован на сайте arxiv.org и представлен на летнем фестивале «Урбан ML».
Ученые из МИЭМ ВШЭ и Самарского университета создали алгоритм LRF-3D для автоматического обхода неработающих узлов в трехмерных сетях на кристалле. Благодаря своей иерархической организации он превосходит аналоги по быстродействию и точности пути, повышая надежность процессоров для использования в ЦОД, суперкомпьютерах и ИИ-вычислениях. Исходные коды алгоритмов и тестов опубликованы в открытом доступе.
Ильин М. В., Фомин И. В., Авдонин В. С., МЕТОД: Московский ежегодник трудов из обществоведческих дисциплин 2017 № 7 С. 5–24
Четкое распределение методов по количественным и качественным «коробочкам» подходит лишь для небольшого числа простейших и устоявшихся инструментов. Подобное разделение отнюдь не просто применить по отношению ко все большему количеству новых средств исследований. Нередко это составные инструментарии. Тут наготове новая модная «коробочка» под название «смешанные методы». Однако комплексные образования – это вовсе не смеси. Их эффективность ...