Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

23 сентября 2026 г.

<a>В НИУ ВШЭ испытали робота с ИИ для распознавания окружающей среды

Инженеры и исследователи Института робототехнических систем НИУ ВШЭ провели первые испытания нейросетевой модели для распознавания среды непосредственно на роботе-собаке. Робот передвигался по зданию НИУ ВШЭ на Покровке, а также по Покровскому бульвару, анализируя окружающую обстановку и определяя, в какой сцене и локации он находится.

21 сентября 2026 г.

Ученые НИУ ВШЭ показали, что врожденные нарушения моторики влияют на развитие мозга

Исследователи из Института когнитивных нейронаук НИУ ВШЭ обобщили результаты своих предыдущих исследований, посвященных особенностям развития мозга у детей с акушерским параличом плечевого сплетения и артрогрипозом. Анализ показал, что нарушение моторики в раннем возрасте не только ведет к недостатку двигательного опыта, но и влияет на память, категориальное мышление и обработку информации. Работа опубликована в журнале Frontiers in Psychology.

22 сентября 2026 г.

Как россияне взаимодействуют с ИИ при поиске информации в интернете

Школа коммуникаций НИУ ВШЭ и Online Market Intelligence провели исследование пользовательского поискового опыта в российском сегменте интернета. Как показали результаты, пользователи в России уже воспринимают ИИ-ответ в выдаче как естественную часть поиска и используют его наравне с привычным списком ссылок. При этом на рынке самостоятельных нейросетей (отдельных чат‑ботов) уверенно лидирует Алиса AI от Яндекса — ее регулярно используют 40 % опрошенных.

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

Публикации

?

Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

Ch. 134. P. 3487–3545.

Левин И. В., Шуклин М. В., Moulines E., Mangold P., Самсонов С. В.

Язык: английский

Полный текст

Текст на другом сайте

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Разработка теоретических основ и методов генеративного искусственного интеллекта и их приложение к неоднородным доменным областям (2025)

В книге

Proceedings of the 42nd Conference on Uncertainty in Artificial Intelligence (UAI), PMLR Volume 337, 17-21 August 2026, KIT, Amsterdam, the Netherlands

Vol. 337. , Proceedings of Machine Learning Research , 2026.

On the rate of Gaussian approximation for online linear regression problems

Шешукова М. Е., Durmus A., Khusainov M. и др., Statistics 2026 P. 1–25

Добавлено: 4 сентября 2026 г.

High-Order Error Bounds for Markovian LSA with Richardson–Romberg Extrapolation

Левин И. В., Наумов А. А., Самсонов С. В., , in: Proceedings of the AAAI Conference on Artificial Intelligence. AAAI-26: AAAI Technical Track on Planning, Routing, and Scheduling; AAAI Technical Track on Reasoning under Uncertainty; AAAI Technical Track on Search and Optimization. Main Track, volume 40 no. 43.: American Association for Artificial Intelligence (AAAI) Press, 2026. P. 36696–36704.

Добавлено: 17 апреля 2026 г.

Statistical inference for Linear Stochastic Approximation with Markovian Noise

Самсонов С. В., Шешукова М. Е., Moulines E. и др., , in: 39th Conference on Neural Information Processing Systems (NeurIPS 2025).: NeurIPS, 2025. P. 174565–174626.

Добавлено: 26 января 2026 г.

SCAFFLSA: Taming Heterogeneity in Federated Linear Stochastic Approximation and TD Learning

Mangold P., Самсонов С. В., Labbi S. и др., , in: 38th Conference on Neural Information Processing Systems (NeurIPS 2024).: [б.и.], 2024. Ch. 37 P. 13927–13981.

Добавлено: 11 февраля 2025 г.

Gaussian Approximation and Multiplier Bootstrap for Polyak-Ruppert Averaged Linear Stochastic Approximation with Applications to TD Learning

Самсонов С. В., Мулине Э. Ф., Shao Q. и др., , in: 38th Conference on Neural Information Processing Systems (NeurIPS 2024).: [б.и.], 2024. P. 12408–12460.

Добавлено: 7 февраля 2025 г.

Improved High-Probability Bounds for the Temporal Difference Learning Algorithm via Exponential Stability

Самсонов С. В., Тяпкин Д. Н., Наумов А. А. и др., , in: Proceedings of Machine Learning Research. Volume 247: The Thirty Seventh Annual Conference on Learning Theory, 30-3 July 2023, Edmonton, Canada.: PMLR, 2024. Ch. 247 P. 4511–4547.

Добавлено: 13 октября 2024 г.

Finite-Time High-Probability Bounds for Polyak–Ruppert Averaged Iterates of Linear Stochastic Approximation

Durmus A., Мулине Э. Ф., Наумов А. А. и др., Mathematics of Operations Research 2025 Vol. 50 No. 2 P. 935–964

Добавлено: 13 июля 2022 г.

Tight High Probability Bounds for Linear Stochastic Approximation with Fixed Stepsize

Durmus A., Мулине Э. Ф., Наумов А. А. и др., , in: Advances in Neural Information Processing Systems 34 (NeurIPS 2021).: Curran Associates, Inc., 2021. P. 30063–30074.

This paper provides a non-asymptotic analysis of linear stochastic approximation (LSA) algorithms with fixed stepsize. This family of methods arises in many machine learning tasks and is used to obtain approximate solutions of a linear system $\bar{A}\theta = \bar{b}$ for which $\bar{A}$ and $\bar{b}$ can only be accessed through random estimates $\{({\bf A}_n, {\bf b}_n): ...

Добавлено: 17 февраля 2022 г.

On the Stability of Random Matrix Product with Markovian Noise: Application to Linear Stochastic Approximation and TD Learning

Durmus A., Мулине Э. Ф., Наумов А. А. и др., , in: Proceedings of Machine Learning ResearchVol. 134: Conference on Learning Theory.: PMLR, 2021. P. 1711–1752.

Добавлено: 6 августа 2021 г.