The Fourteenth International Conference on Learning Representations (ICLR 2026)

?

The Fourteenth International Conference on Learning Representations (ICLR 2026)

ICLR, 2026.

GraphPFN: A Prior-Data Fitted Graph Foundation Model

Еремеев Д. А., Бабенко А. В., Платонов О. А. и др., , in: The Fourteenth International Conference on Learning Representations (ICLR 2026).: ICLR, 2026. P. 1–16.

Добавлено: 16 февраля 2026 г.

Turning Tabular Foundation Models into Graph Foundation Models

Еремеев Д. А., Баженов Г. В., Платонов О. А. и др., , in: The Fourteenth International Conference on Learning Representations (ICLR 2026).: ICLR, 2026. P. 1–17.

Добавлено: 16 февраля 2026 г.

Rethinking Global Text Conditioning in Diffusion Transformers

Nikita Starodubcev, Pakhomov D., Wu Z. и др., , in: The Fourteenth International Conference on Learning Representations (ICLR 2026).: ICLR, 2026.

Добавлено: 17 февраля 2026 г.

Scale-wise Distillation of Diffusion Models

Nikita Starodubcev, Ilya Drobyshevskiy, Denis Kuznedelev и др., , in: The Fourteenth International Conference on Learning Representations (ICLR 2026).: ICLR, 2026.

Добавлено: 17 февраля 2026 г.

LoRA meets Riemannion: Muon Optimizer for Parametrization-independent Low-Rank Adapters

Vladimir Bogachev, Алетов В., Alexander Molozhavenko и др., , in: The Fourteenth International Conference on Learning Representations (ICLR 2026).: ICLR, 2026. Ch. 20503.

Добавлено: 29 апреля 2026 г.

Научное направление: Компьютерные науки

Язык: английский

Текст на другом сайте

Ключевые слова: machine learning

The Fourteenth International Conference on Learning Representations (ICLR 2026)

Innovations in Information and Decision Sciences. Proceedings of the 13th International Conference on Frontiers in Intelligent Computing: Theory and Applications (FICTA 2025), Volume 4

Springer, 2026.

Добавлено: 8 июня 2026 г.

Proceedings of the 43rd International Conference on Machine Learning (ICML 2026)

Seul: PMLR, 2026.

Добавлено: 4 июня 2026 г.

OpenAtom Foundation. Консорциум, развивающий Open Source в Китае.

Силаков Д. В., Системный администратор 2026 № 3 С. 28–33

В статье про платформы для разработки открытого ПО в Китае мы рассказали про GitCode – молодой проект, позиционируемый как площадка для разработчиков со всего мира. Сейчас на GitCode размещаются проекты, созданные в КНР, но некоторые из них уже известны и на международной арене. Помочь открытым проектам в становлении, развитии и расширению аудитории призван фонд OpenAtom ...

Добавлено: 2 июня 2026 г.

Towards the Ranking of the Importance of Revolutionary Destabilization Factors in Asian and African. Countries Using Machine Learning Methods

Черноморченко И. Ю., Ilya Medvedev, Коротаев А. В., Cross-Cultural Research 2026 P. 1–49

This study investigates which structural factors most strongly predict armed and unarmed revolutionary destabilization across Sub-Saharan Africa (SSA), the Middle East and North Africa (MENA), as well as Asia using country–year data for 1950–2022 and a set of economic, demographic, political, and climatic indicators. It employs an interpretable machine learning framework (CatBoost with SHAP values ...

Добавлено: 1 июня 2026 г.

The recognition-by-components method

Slivnitsin P., Мыльников Л. А., Engineering Applications of Artificial Intelligence 2026 Vol. 179 Article 115185

Добавлено: 29 мая 2026 г.

Brain-Computer Interfaces for Gait Rehabilitation After Stroke A Scoping Review

Мокиенко О. А., Zisman M. A., Бобров П. Д. и др., American Journal of Physical Medicine and Rehabilitation 2026 Vol. 105 No. 6 P. 555–563

Добавлено: 28 мая 2026 г.

Generalizing the Brady-Yong Algorithm: Efficient Fast Hough Transform for Arbitrary Image Sizes

Kazimirov D., Rybakova E., Vitalii V. Gulevskii и др., IEEE Access 2025 Vol. 13 P. 20101–20132

Добавлено: 28 мая 2026 г.

Universal Comparison Methodology for Hough Transform Approaches

Kazimirov D., Vitalii Gulevskii, Kroshnin A. и др., Mathematics 2026 Article 1136

Добавлено: 28 мая 2026 г.

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И ТЕХНИЧЕСКИЕ СРЕДСТВА УПРАВЛЕНИЯ (ICCT-2024)

М.: Институт проблем управления им. В.А. Трапезникова РАН, 2024.

В сборник вошли материалы VIII Международной научной конференции «Информационные технологии и технические средства управления» (ICCT-2024). На конференции были рассмотрены вопросы, касающиеся перспектив развития научного приборостроения в телекоммуникационных и управляющих системах, биомедицинской информатики, аппаратного и программного обеспечения информационнокоммуникационных систем, надежности, диагностики и неразрушающего контроля, систем управления и автоматизации, цифровых экосистем, управления производством и логистикой, методов математического ...

Добавлено: 27 мая 2026 г.

Non-linear in-band interference cancellation on base of conjugate gradients method

Degtyarev A., Bakhurin S., Юдин Н. Е., DSPA 2026 P. 1–6

Добавлено: 26 мая 2026 г.

28th European Conference on Artificial Intelligence, 25-30 October 2025, Bologna, Italy – Including 14th Conference on Prestigious Applications of Intelligent Systems (PAIS 2025)

IOS Press, 2025.

Добавлено: 26 мая 2026 г.

Comparative Study of Training Methods and Architectures of Echo State Networks

Андросов И. А., Proceedings of the Institute for System Programming of the RAS 2026 Vol. 38 No. 3 P. 87–114

В работе рассматриваются сети эхо-состояний (Echo State Network, ESN), которые являются одними из самых распространенных способов реализации резервуарных вычислений. Они состоят из рекуррентной нейронной сети, веса которой выбираются один раз и не обучаются, и выходного, обычно линейного, обучаемого слоя. Такой подход позволяет создавать энергоэффективные и быстрые нейронные сети, способные обучаться в режиме реального времени. Но ...

Добавлено: 26 мая 2026 г.

Рефакторинг исходного кода на основе LLM и расширения UML

Караваева Е. А., Кулигин Л. А., Резуник Л. и др., Труды Института системного программирования РАН 2026 Т. 38 № 3 С. 67–94

В статье представлен метод рефакторинга исходного кода на основе интеграции большой языковой модели (LLM) и расширенной UML-модели программного кода. Предложенный подход позволяет выявлять проблемные участки кода с использованием функций тревожности и структурных метрик классов, а затем выполнять автоматизированный рефакторинг. Ключевой особенностью метода является использование LLM для генерации формальных спецификаций на языке OCL (Object Constraint Language), ...

Добавлено: 24 мая 2026 г.

Coping with AI errors with provable guarantees

Tyukin I., Тюкина Т. А., van Helden D. P. и др., Information Sciences 2024 Vol. 678 Article 120856

Добавлено: 23 мая 2026 г.

Overcoming the Curse of Dimensionality with Synolitic AI

Zaikin A., Sviridov I., Sosedka A. и др., Technologies 2026 Vol. 14 No. 2 Article 84

Добавлено: 23 мая 2026 г.

Stable On-the-Fly Learning for Dynamic Neural Networks With Delayed Inputs

Chertopolokhov V., Mukhamedov A., Bugriy G. и др., IEEE Access 2026 Vol. 14 P. 14369–14392

Добавлено: 22 мая 2026 г.

От неизвестности к прозрачности: обзор технологий объяснимого ИИ (XAI)

Авдошин С. М., Песоцкая Е. Ю., Информационные технологии 2026 Т. 32 № 4 С. 185–194

С развитием ИИ, и в особенности глубокого обучения, появились модели, способные давать крайне точные прогнозы. Однако их внутренняя логика остается трудной для понимания — и это серьезная проблема, особенно в сферах, где от корректности алгоритма зависят критиче ски важные решения. Одним из перспективных путей ее решения считается направление Explainable Artificial Intelligence (XAI) — разработка подходов, позволяющих прояснять ...

Добавлено: 8 мая 2026 г.

Explainable AI for Industry 5.0: Shedding light on the black box

Авдошин С. М., Песоцкая Е. Ю., Business Informatics 2026 Vol. 20 No. 1 P. 7–28

Добавлено: 8 мая 2026 г.

Алгоритм анализа новостной информации для принятия экономических решений

Чудинова О. С., Первицкая Л. А., Раменская А. В., Индустриальная экономика 2026 № 1 С. 65–78

Статья посвящена разработке алгоритма анализа новостной информации методами машинного обучения, реализованными в библиотеках Python. Обоснование выбора инструментов, применяемых на каждом этапе алгоритма, осуществляется с помощью расчета метрик качества решения соответствующих задач машинного обучения. Результаты работы алгоритма представлены классификацией региональных новостей, собранных за период с августа 2024 года по июнь 2025 года, по отраслям экономики и ...

Добавлено: 20 апреля 2026 г.

Modeling cosolvent effects on solubility in supercritical CO2 using data-driven approaches

Makarov D. M., Каликин Н. Н., Gurikov P. и др., Journal of Supercritical Fluids 2026 Vol. 235 Article 106979

Добавлено: 19 апреля 2026 г.

Эффективность применения прогнозов волатильности в активных торговых стратегиях институциональных инвесторов на российском рынке акций

Лысенок Н. И., Фундаментальная и прикладная математика 2026 Т. 26 № 3 С. 33–42

Исследование посвящено оценке влияния прогнозов реализованной волатильности на результаты активных торговых стратегий на российском рынке акций. На выборке 17 ликвидных акций за 2014-2026 гг. построена гибридная прогнозная модель, объединяющая HAR-J и градиентный бустинг; её преимущество над базовой HAR-J подтверждено тестом Дибольда-Мариано (p < 0,001). Шесть направленных стратегий трёх категорий протестированы с тремя механизмами интеграции прогнозов и без них. ...

Добавлено: 17 апреля 2026 г.

Efficiency of Machine Learning Tasks on HPC Devices

Ефремов А. М., Тимофеев А. В., Ilyasov Y. и др., , in: ПАРАЛЛЕЛЬНЫЕ ВЫЧИСЛИТЕЛЬНЫЕ ТЕХНОЛОГИИ (ПаВТ’2025).: Издательский центр Южно-Уральского государственного университета, 2025. P. 56–81.

Добавлено: 4 апреля 2026 г.

Использование машинного обучения и классических статистических методов для построения скоринговой модели в автостраховании

Миронкина Ю. Н., Тимофеев Д. И., В кн.: Математическое и компьютерное моделирование в экономике, страховании и управлении рисками: сборник статей. Выпуск 10. Материалы XIV Научно-практической конференции. Саратов, 20–22 ноября 2025 г.Вып. 10.: Саратов: Саратовский университет, 2025. С. 51–58.

В автостраховании актуальна проблема финансовых убытков, вызванных неверной классификацией клиентов с точки зрения возможной убыточности договора страхования с ними. Работа направлена на разработку скоринговой системы на основе методов машинного обучения и статистики, использующей данные портфеля крупной страховой компании (более 30000 наблюдений). Цель – выявление переменных, предсказывающих надёжность клиента, и сравнение различных методов: градиентного бустинга, случайного леса, логистической регрессии, нейросетей. Применялись ...

Добавлено: 31 марта 2026 г.

Определение фолликулярного резерва яичников по данным ультразвукового исследования на основе методов машинного обучения

Мошкин А. С., Лапутин Ф. А., Сидоров И. В., DIGITAL DIAGNOSTICS 2024 Т. 5 № S1 С. 40–42

Обоснование. Овариальный резерв отражает способность женщины к успешной реализации репродуктивной функции. Оценка овариального резерва является актуальной задачей для клинической практики [1] и важна при проведении научных исследований. Использование методов компьютерной обработки диагностических изображений способно ускорить и облегчить выполнение рутинных задач в клинической практике. Их применение при ретроспективном анализе данных в научных целях позволяет повысить объективность ...

Добавлено: 21 февраля 2026 г.