Статьи на яндекс кью: «Статьи»

Posted:

Июл 3, 2023

Comments:

0 Comments

Статьи на яндекс кью: «Статьи» — Яндекс Кью

Содержание

«Статьи» — Яндекс Кью

«Написание статей» — Яндекс Кью

статей, принятых на NeurIPS 2022

Пять статей были приняты к публикации на конференции по системам обработки нейронной информации (NeurIPS 2022).

О вложениях числовых признаков в табличное глубокое обучение Юрий Горишный, Иван Рубачев, Артем Бабенко

В задачах с табличными данными есть много видов признаков, таких как категориальные, порядковые или числовые. В этой работе мы показываем, что преобразование числовых скалярных признаков в векторы перед их передачей в магистраль может привести к значительным улучшениям моделей глубокого обучения для задач с табличными данными. Это может показаться нелогичным: зачем представлять скалярное значение вектором? Однако результаты обширных экспериментов показывают, что этот метод является важной и малоизученной степенью свободы в табличном глубоком обучении.

Распределенные методы со сжатой связью для решения вариационных неравенств с теоретическими гарантиями Александр Безносиков, Петр Рихтарик, Михаил Дискин, Макс Рябинин, Александр Гасников

В этой статье мы представляем первые теоретически обоснованные распределенные методы решения вариационных неравенств и седла точечные проблемы, используя сжатую связь. Наша теория и методы позволяют использовать как беспристрастные (например, случайный выбор координат), так и сжимающие (например, гиди-выбор координат) компрессоры. Новые алгоритмы поддерживают двунаправленное сжатие, а также могут быть модифицированы для стохастических настроек с пакетами и для федеративного обучения с частичным участием клиентов.

Децентрализованный локальный стохастический экстраградиент для вариационных неравенств Александра Безносикова, Павла Двуреченского, Анастасии Колосковой, Валентина Самохина, Себастьяна У. Стича, Александра Гасникова устройства. Мы делаем очень общее предположение о вычислительной сети, которая, в частности, охватывает настройки полностью децентрализованных вычислений с изменяющимися во времени сетями и централизованными топологиями, обычно используемыми в федеративном обучении. Кроме того, можно выполнить несколько локальных обновлений рабочих процессов для уменьшения частоты обмена данными между рабочими процессами. Мы распространяем стохастический экстраградиентный метод на эту общую ситуацию и теоретически анализируем скорость его сходимости.

Оптимальные алгоритмы для децентрализованных стохастических вариационных неравенств Дмитрия Ковалева, Александра Безносикова, Абдурахмона Садиева, Михаила Персиянова, Петра Рихтарика, Александра Гасникова

Рассматриваются децентрализованные стохастические (суммного типа) вариационные неравенства на фиксированных и переменных во времени сетях. Мы представляем нижние границы сложности для связи и локальных итераций и строим оптимальные алгоритмы, соответствующие этим нижним границам. Наши алгоритмы являются лучшими среди доступной литературы не только в децентрализованном стохастическом случае, но также в децентрализованном детерминированном и нераспределенном стохастическом случаях.

Оптимальное градиентное скольжение и его применение к распределенной оптимизации в условиях подобия Дмитрий Ковалев, Александр Безносиков, Екатерина Бородич, Александр Гасников, Джесуальдо Скутари

Мы изучаем структурированные задачи выпуклой оптимизации с аддитивной целью $r:=p+q$. Для такого класса задач мы предлагаем неточный метод ускоренного градиентного скольжения, позволяющий достичь оптимальной сложности градиентных вызовов $p$ и $q$. Затем мы применяем предложенный метод для решения задач распределенной оптимизации в архитектурах мастер-работник, при схожести функций агентов, из-за схожести статистических данных или по другим причинам. Распределенный алгоритм впервые достигает более низких границ сложности как для связи, так и для вызовов локального градиента, причем первый из них является давней открытой проблемой.

Школа анализа данных Яндекса | Результаты учреждения

Исследования

Диапазон дат: 1 января 2022 г. — 31 декабря 2022 г.

Регион: Весь мир
Тема/группа журнала: Все

В таблице справа приведены подсчеты всех результатов исследований для Школы анализа данных Яндекса.
опубликовано в период с 1 января 2022 г. по 31 декабря 2022 г., которые отслеживаются журналом Nature.
Индекс.

Наведите указатель мыши на круговую диаграмму, чтобы просмотреть общий доступ для каждой темы. Ниже то же самое
результаты исследований сгруппированы по темам. Нажмите на тему, чтобы перейти к списку
статей, организованных по журналам, а затем по заголовкам.

Примечание. Статьи могут быть отнесены к нескольким предметным областям.

Количество статей для Школы анализа данных Яндекса
Счет	Поделиться
30	0,20

Результаты по темам (Поделиться)

Результаты по темам
Субъект	Считать	Поделиться
Физические науки	30	0,20

Доля продукции за последние 5 лет

Доля в год
2018	2019	2020	2021	2022
0,53	0,30	0,26	0,37	0,20

Сравните Школу анализа данных Яндекса с другими вузами

Отчеты о природоохранной стратегии

Отчеты о стратегии Nature дают вам простые идеи для поддержки решений, влияющих на вашу организацию.

Отчеты, созданные для вас нашими экспертами в предметной области, сочетают убедительные идеи с доверием и авторитетом Nature. Получите углубленный анализ результатов исследований, проведенных вами и вашими коллегами, включая анализ относительных сильных и слабых сторон. Все это создано с использованием данных и инструментов компании Nature Research Intelligence, охватывающей все основные дисциплины и все регионы мира.

Начало работы

Сотрудничество