МЕГАГРАНТЫ

Лаборатория данных большой размерности

О лаборатории

Наименование проекта: Масштабируемые сети систем искусственного интеллекта для анализа данных растущей размерности

№ договора: 14.Y26.31.0022

Сайт лаборатории

Наименование ВУЗа: Федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский Нижегородский государственный университет им. Н.И.Лобачевского"

Области научных исследований: Компьютерные и информационные науки

Главная цель проекта: разработать перспективные методы для интеллектуального анализа данных высокой размерности, оптимизированные для работы в высокой (десятки и сотни) и очень высокой (тысячи, десятки тысяч и более) размерности
Для достижения целей проекта планируется решить следующие задачи:
- Создать систему перспективных методов многомерного анализа данных в высоких размерностях, основанных на специфике многомерной геометрии, в частности, на теоремах стохастической отделимости;
- Разработать методы для отделения истинно многомерных проблем от редуцируемых проблем малой внутренней размерности;
- Разработать теорию и методы для моделирования оптимальной сложности, основанные на идее "игры против наблюдателя" (миры худшего случая);
- Адаптировать и приложить разработанные методы к анализу многомерных данных о биологических нейронных сетях (ин витро и ин виво), к анализу больших многомерных потоков видеоданных, к сложным биофизическим, техническим и гибридным (человеко-машинным) системам.
- Разработать теорию, методы и алгоритмы для создания новых и обновления существующих систем искусственного интелекта со способностью немедленного обучения «на лету», основанного на анализе ошибок.
- Создать библиотеку открытого программного обеспечения, имплементирующую разработанную технологию.
- Создать проблемно-ориентированное программное обеспечение для использования в анализе многомерных данных о биологических нейронных сетях (ин витро и ин виво), больших многомерных потоков видеоданных, в изучении сложных биофизических, технических и гибридных (человеко-машинных) систем.
- Создать лабораторию перспективных методов анализа многомерных данных и обеспечить ее устойчивое функционирование.

Ведущий учёный

 Gorban3

ФИО: Горбань Александр Николаевич

 

Ученые степень и звание: доктор физико-математических наук

Занимаемая должность: Профессор прикладной математики, директор центра математического моделирования, Факультет математики, Университет Лестера

Области научных интересов: Компьютерные и информационные науки; Биофизика; Математическая и вычислительная биология; Математика; Физика; Химия и Химическая Технология; Термодинамика; Междисциплинарные исследования

Научное признание:
2000 - Клеевский стипендиат (Кембридж, США)
2010 - Стипендия приглашенного исследователя Ньютоновского института математических наук
2015 - Награда за выдающийся вклад в исследования по биологической и химической кинетике Международной конференции "Математика в (био)химической кинетике и технологии", Гент, Бельгия

Научные достижения:
А.Н.Горбань входит в Топ-100 самых цитируемых российских учёных по данным РИНЦ.
Александр Николаевич разработал семейство методов для сокращения и огрубления моделей: метод инвариантного многообразия, методы натурального проектора, и др. Он решил ряд классических пробоем в кинетике газов, динамике полимеров, химической и биологической кинетике. За эту серию работ он получил медаль Пригожина и Клеевскую стипендию (Кембридж, США, 2000). А.Н. Горбань изобрел новые методы измерения стресса, вызываемого различными факторами. В частности, они дают возможность измерять здоровье групп здоровых людей. Этот метод основан на универсальном эффекте, открытом А.Н. Горбанем при исследовании адаптации человека. Этот эффект подтверждается сотнями экпериментов и многими наблюдениями над системами различной природы. Сейчас, разработанный метод используется для мониторинга популяций Крайнего Севера, для анализа кризисов в национальных финансовых
системах и компаниях. Он стал частью разрабатываемой общей технологии предсказания кризисов.

A.S. Manso, M.H. Chai, J.M. Atack, L. Furi, M. De Ste Croix, R. Haigh, C. Trappetti, A.D. Ogunniyi, L.K. Shewell, M. Boitano, T.A. Clark, J. Korlach, M. Blades, E. Mirkes, A.N. Gorban, J.C. Paton, M.P. Jennings, M.R. Oggioni, A random six-phase switch regulates pneumococcal virulence via global epigenetic changes, 2014 Nature Communications
(Q1 IN ITERDISCIPLINARY SCIENCES)

A.N. Gorban, I. Karlin Hilbert's 6th Problem: exact and approximate hydrodynamic manifolds for kinetic equations 2014 Bulletin of the American Mathematical Society (Q1 IN MATHEMATICS)

F. Spahn, E. Vieira Neto, A.H.F. Guimarães, A.N. Gorban, N.V. Brilliantov A statistical model of aggregate fragmentation 2014 New Journal of Physics (Q1 IN PHYSICS, MULTIDISCIPLINARY)

A.N. Gorban, I. Tyukin, E. Steur, H. Nijmeijer Lyapunov-like conditions of forward invariance and boundedness for a class of unstable systems 2013 SIAM Journal On Control And Optimization (Q1 IN MATHEMATICS, APPLIED)

A.N. Gorban, G.S. Yablonsky Grasping Complexity 2013 Computers & Mathematics with
Applications (Q1 IN MATHEMATICS, APPLIED)


Результаты исследований


1. AN Gorban, VA Makarov, IY Tyukin, The unreasonable effectiveness of small neural ensembles in high-dimensional brain, Physics of Life Reviews, 2019, https://doi.org/10.1016/j.plrev.2018.09.005 – (IF 2017 13.783, Q1 in biology and biophysics, the most cited journal in these categories)

2. AG Korotkov, AO Kazakov, TA Levanova, GV Osipov, The dynamics of ensemble of neuron-like elements with excitatory couplings, Communications in Nonlinear Science and Numerical Simulation 71 (2019), 38-49 – (IF 2017 3.181, Q1 in mathematics, applied, and mathematics, interdisciplinary applications).

3. AN Gorban, R Burton, I Romanenko, IY Tyukin, One-trial correction of legacy AI systems and stochastic separation theorems, Information Sciences 484 (2019) 237–254 – (IF 2016 4.832, Q1 in computer science, information systems).

4. T Yakhno, V Yakhno, A Study of the Structural Organization of Water and Aqueous Solutions by Means of Optical Microscopy, Crystals 9(1) (2019), 52; https://doi.org/10.3390/cryst9010052 – (IF 2017 2.144, Q2 in Crystallography and Materials Science, Multidisciplinary)

5. IY Tyukin, AN Gorban, S Green, D Prokhorov, Fast Construction of Correcting Ensembles for Legacy Artificial Intelligence Systems: Algorithms and a Case Study. Information Sciences 485 (2019), 230-247 – (IF 2016 4.832, Q1 in computer science, information systems).

6. AN Gorban, A Golubkov, B Grechuk, EM Mirkes, IY Tyukin, Correction of AI systems by linear discriminants: Probabilistic foundations, Information Sciences 466 (2018), 303-322 – (IF 2016 4.832, Q1 in computer science, information systems).

7. AN Gorban, Model reduction in chemical dynamics: slow invariant manifolds, singular perturbations, thermodynamic estimates, and analysis of reaction graph, Current Opinion in Chemical Engineering 21 (2018), 48-59. – (IF 2016 3.403, Q1 in Engineering, Chemical)

8. J Lages, DL Shepelyansky, A Zinovyev, Inferring hidden causal relations between pathway members using reduced Google matrix of directed biological networks. PLoS ONE, 13(1) (2018). https://doi.org/10.1371/journal.pone.0190812 - (IF 2016 2.806, Q1 in Multidisciplinary Sciences)

9. S Lobov, N Krilova, I Kastalskiy, V Kazantsev, V.A. Makarov, Latent Factors Limiting the Performance of sEMG-Interfaces. Sensors 2018, 18, 1122. https://doi.org/10.3390/s18041122 – (IF 2016 2.677, Q1 in Instruments and Instrumentation)

10. Naldi A., Hernandez C., Levy N., Stoll G., Monteiro P.T., Chaouiya C., Helikar T., Zinovyev A., Calzone L., Cohen-Boulakia S., Thieffry D., Paulevй L. The CoLoMoTo Interactive Notebook: Accessible and Reproducible Computational Analyses for Qualitative Biological Networks, Front. Physiol., 19 June 2018, https://doi.org/10.3389/fphys.2018.00680 (IF 2016 4.134, Q1 in Physiology)

11. N Levy, A Naldi, C Hernandez, G Stoll, D Thieffry, A Zinovyev, L Calzone, L Paulevй, Prediction of Mutations to Control Pathways Enabling Tumor Cell Invasion with the CoLoMoTo Interactive Notebook (Tutorial), Front. Physiol., 06 July 2018 | https://doi.org/10.3389/fphys.2018.00787 (IF 2016 4.134, Q1 in Physiology)

12. I.Y. Tyukin, A.N. Gorban, K.I. Sofeykov, I. Romanenko, Knowledge transfer between artificial intelligence systems, Frontiers in Neurorobotics 12 (2018), https://doi.org/10.3389/fnbot.2018.00049 (IF 2.606)

13. AN Gorban, N Cabukoǧlu, Mobility cost and degenerated diffusion in kinesis models, Ecological Complexity 36 (2018), 16-21. (IF 1.634)

14. AN Gorban, N Cabukoǧlu, Basic model of purposeful kinesis. Ecological Complexity, 33 (2018), 75–83. (IF 1.634)

15. AN Gorban, EM Mirkes, A Zinovyev, Data analysis with arbitrary error measures approximated by piece-wise quadratic PQSQ functions, Proceedings of IJCNN 2018, paper #18525.

16. CC Tapia, JAV-Atienza, I Kastalskiy, S DiezHermano, AS Jimenez, VA Makarov, Cognitive Neural Network Driving DoF-Scalable Limbs in Time-Evolving Situations, Proceedings of IJCNN 2018, paper #18786.

17. IY Tyukin, AN Gorban, D Prokhorov, S Green, Efficiency of Shallow Cascades for Improving Deep Learning AI Systems, Proceedings of IJCNN 2018, paper #18433.

18. S Meshkinfamfard, A Gorban, I Tyukin, Tackling Rare False-Positives in Face Recognition: A Case Study. In 2018 IEEE 20th International Conference on High Performance Computing and Communications; IEEE 16th International Conference on Smart City; IEEE 4th International Conference on Data Science and Systems (HPCC/SmartCity/DSS) 2018 Jun 28 (pp. 1592-1598). IEEE.

19. I Tyukin, AN Gorban, C Calvo, J Makarova, VA Makarov, High-Dimensional Brain: A Tool for Encoding and Rapid Learning of Memories by Single Neurons. Bulletin of Mathematical Biology, 2018 1–33. https://doi.org/10.1007/s11538-018-0415-5 (IF 2016 1.26).

Other publications

1. AN Gorban New universal Lyapunov functions for non-linear reaction networks, https://arxiv.org/pdf/1902.05351.pdf

2. L Albergante, EM Mirkes, H Chen, A Martin, L Faure, E Barillot, L Pinello, AN Gorban, A Zinovyev, Robust and scalable learning of data manifolds with complex topologies via ElPiGraph. https://arxiv.org/abs/1804.07580.

3. S. Sidorov, On the 1-convexity of random points in the d-dimensional spherical layer, https://arxiv.org/abs/1806.04732

4. A.N. Gorban, B. Grechuk, I.Y. Tyukin, Augmented Artificial Intelligence: a Conceptual Framework, https://arxiv.org/abs/1802.02172

5. IA Lazarevich, SS Stasenko, MA Rozhnova, EV Pankratova, AE Dityatev, VB Kazantsev, Dynamics of the brain extracellular matrix governed by interactions with neural cells, https://arxiv.org/abs/1807.05740.

6. H Chen, L Albergante, JY Hsu, CA Lareau, GL Bosco, J Guan, S Zhou, AN Gorban, DE Bauer, MJ Aryee, DM Langenau, A Zinovyev, JD Buenrostro, G-C Yuan, L Pinello, STREAM: Single-cell Trajectories Reconstruction, Exploration And Mapping of omics data. https://www.biorxiv.org/content/early/2018/04/18/302554.

7. T.A. Yakhno, V.G. Yakhno, A study of structural organization of water and aqueous solutions by means of optical microscopy, https://arxiv.org/abs/1809.00906.

Back to top