Efficient Conformal Prediction under Data Heterogeneity

Plassier V.; Kotelevskii N.; Rubashevskii A.; F. Noskov; Velikanov M.; Fishkov A.; Horvath S.; Takac M.; E. Moulines; Panov M.

АБВ
АБВ
АБВ

Обычная версия сайта

Приоритетные направления

по году

Тематика

Новости

8 октября 2026 г.

Ученые НИУ ВШЭ выяснили, что рейтинг врача более убедителен для пациентов, чем стаж

Исследователи НИУ ВШЭ изучили, как стаж и рейтинг врачей влияют на доверие пациентов к медицинской информации. Оказалось, что люди считают более убедительным мнение врачей, у которых высокий рейтинг, а на опыт работы обращают меньше внимания. Результаты опубликованы в журнале Frontiers in Human Neuroscience.

7 октября 2026 г.

Доклад исследователя МИЭМ ВШЭ признан лучшим на Школе молодых ученых форума «Микроэлектроника»

Магистрант МИЭМ ВШЭ Михаил Маликов разработал новые легковесные арбитры для сетей на кристалле — механизмы, которые решают, какой пакет данных получит доступ к каналу связи первым при возникновении конкуренции. Его доклад по этой теме был признан лучшим в секции «Процессорные архитектуры, высокопроизводительные вычисления и системное программное обеспечение» на VIII Школе молодых ученых, прошедшей в рамках форума.

6 октября 2026 г.

Пользователи теряют выгоду от ограничения сбора и обработки персональных данных

Экономист НИУ ВШЭ c помощью микроэкономической модели показала, что чрезмерно строгие ограничения на сбор и обработку персональных данных приносят пользователям больше вреда, чем пользы. Статья опубликована в журнале «Вопросы экономики».

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

Публикации

?

Efficient Conformal Prediction under Data Heterogeneity

P. 4879–4887.

Plassier V., Kotelevskii N., Rubashevskii A., Носков Ф. А., Velikanov M., Fishkov A., Horvath S., Takac M., Мулине Э. Ф., Panov M.

Язык: английский

Полный текст

Текст на другом сайте

Ключевые слова: Federated learning conformal predictions

ПУБЛИКАЦИЯ ПОДГОТОВЛЕНА ПО РЕЗУЛЬТАТАМ ПРОЕКТА:

Разработка и теоретический анализ новых эффективных стохастических алгоритмов машинного обучения (2024)

В книге

Proceedings of The 27th International Conference on Artificial Intelligence and Statistics (AISTATS 2024), 2-4 May 2024, Palau de Congressos, Valencia, Spain. PMLR: Volume 238

Vol. 238. , Valencia: PMLR, 2024.

Federated Reinforcement Learning for Intelligent Traffic Signal Control: A Privacy-Preserving Approach with Edge-Assisted Aggregation

Ali J. Dayoub, Ehab S. Suleiman, , in: Proceedings of the 2026 8th International Youth Conference on Radio Electronics, Electrical and Power Engineering (REEPE).: IEEE, 2026. Ch. 159 P. 1–5.

Добавлено: 30 апреля 2026 г.

Methods with Local Steps and Random Reshuffling for Generally Smooth Non-Convex Federated Optimization

Demidovich Y., Petr Ostroukhov, Malinovsky G. и др., , in: The Thirteenth International Conference on Learning Representations: ICLR 2025.: ICLR, 2025.

Добавлено: 15 июля 2025 г.

Queuing dynamics of asynchronous Federated Learning

Leconte L., Jonckheere M., Самсонов С. В. и др., , in: Proceedings of The 27th International Conference on Artificial Intelligence and Statistics (AISTATS 2024), 2-4 May 2024, Palau de Congressos, Valencia, Spain. PMLR: Volume 238Vol. 238.: Valencia: PMLR, 2024. P. 1711–1719.

Добавлено: 26 мая 2024 г.

Federated Learning Strategies Over Wireless Channels

Али А., , in: 22nd International Conference, NEW2AN 2022, Tashkent, Uzbekistan, December 15–16, 2022, Proceedings. Internet of Things, Smart Spaces, and Next Generation Networks and Systems. LNCS, volume 13772Issue 13772.: Springer, 2023. P. 525–533.

Добавлено: 18 мая 2023 г.

Adaptation Diffusion Strategy Over Wireless Fading Channels

Али А., , in: 2022 International Conference on Smart Applications, Communications and Networking (SmartNets).: IEEE, 2022. P. 1–4.

Добавлено: 16 мая 2023 г.

АДАПТАЦИЯ СТРАТЕГИЯ ДИФФУЗИИ ПО БЕСПРОВОДНЫМ КАНАЛАМ С ЗАМИРАНИЕМ

Али А., Кучерявый Е. А., Эбрахим А., В кн.: Инновационные, информационные и коммуникационные технологии. Сборник трудов XIX Международной научно-практической конференции.: М.: Ассоциация выпускников и сотрудников ВВИА им. проф. Жуковского, 2022. С. 38–42.

Добавлено: 22 февраля 2023 г.

Decentralized personalized federated learning: Lower bounds and optimal algorithm for all personalization modes

Sadiev A., Borodich E., Безносиков А. Н. и др., EURO Journal on Computational Optimization 2022 Vol. 10 Article 100041

Добавлено: 28 октября 2022 г.

Federated Learning in Named Entity Recognition

Efim Luboshnikov, Макаров И. А., , in: Recent Trends in Analysis of Images, Social Networks and Texts. 9th International Conference, AIST 2020, Skolkovo, Moscow, Russia, October 15–16, 2020 Revised Supplementary ProceedingsVol. 12602.: Springer, 2021. Ch. 8 P. 90–101.

This article is devoted to the implementation of the federated approach to named entity recognition. The novel federated approach is designed to solve data privacy issues. The classic BiLSTM-CNNs-CRF and its modifications trained on a single machine are taken as baseline. Federated training is conducted for them. Influence of use of pretrained embedding, use of ...

Добавлено: 24 марта 2021 г.