Gaussian Approximation and Multiplier Bootstrap for Federated Linear Stochastic Approximation

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

4 сентября 2026 г.

Сотрудники НИУ ВШЭ - Санкт-Петербург разработали ИИ-инструмент для анализа человеческого поведения

Сотрудники и студенты НИУ ВШЭ совместно с экспертами из Санкт-Петербургского Федерального исследовательского центра РАН и Центра практического ИИ Сбера разработали нейросеть, способную одновременно распознавать эмоции, оценивать видимые черты личности и выявлять амбивалентность (неуверенность или противоречивость поведения). Результаты исследования опубликованы в журнале IEEE Access.

3 сентября 2026 г.

«Археолог - это следователь, опоздавший к месту преступления на тысячи лет»

Виктория Герасимова занимается краснолаковой керамикой, копает в Казахстане и играет в шахматы на городских площадках. В интервью проекту «Молодые ученые Вышки» она рассказала об уникальности Боспорского царства, понтийской сигиллате и коте Матроскине — бизнесмене.

3 сентября 2026 г.

Ученые НИУ ВШЭ научили нейросеть превращать 3D-модели в готовые технологические карты

Исследователи Института искусственного интеллекта и цифровых наук ФКН НИУ ВШЭ разработали систему CAD2TechSpec, которая автоматически превращает 3D-модели деталей в готовые технологические карты — пошаговые инструкции для станков. Разработка направлена на сокращение времени подготовки технической документации в машиностроении, авиастроении и других высокотехнологичных отраслях. Результаты исследованияо публикованы в журнале PeerJ Computer Science.

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.

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.