Яндекс объявил лауреатов премии имени Ильи Сегаловича
Яндекс опубликовал список лауреатов премии имени Ильи Сегаловича, которая ежегодно присуждается за особые достижения в компьютерных науках. В 2020 году награды были удостоены 12 человек, говорится в сообщении компании.
Премия Ильи Сегаловича, сооснователя Яндекса и директора компании по технологиям, была учреждена в 2019 году. На награду могут претендовать молодые специалисты из России, Белоруссии и Казахстана, отметившиеся исследованиями в области машинного обучения, компьютерного зрения, информационного поиска и анализа данных, обработки естественного языка и машинного перевода, а также распознавания и синтеза речи.
Список лауреатов определяет совет премии, куда входят руководители Яндекса и ученые, которые сотрудничают с компанией. Среди них — профессор Ратгерского университета в Нью-Джерси Илья Мучник, профессор Женевского университета и филдсовский лауреат Станислав Смирнов и профессор Калифорнийского университета в Беркли Алексей Эфрос. В этом году наград удостоились девять молодых специалистов (магистрантов и аспирантов) и три научных руководителя.
Лауреатами в номинации «Молодые исследователи» в этом году стали:
- Дмитрий Ковалев — магистрант МФТИ, занятый различными задачами оптимизации.
- Лариса Маркеева — аспирантка МФТИ. Получила солвер дифференциальных уравнений эллиптического типа на сверхмелких сетках.
- Анастасия Янина — аспирантка МФТИ. Занимается темой интерпретируемости в обучении с подкреплением и дистилляцией нейронных сетей для сегментации.
- Александр Лыжов — магистрант совместной программы НИУ ВШЭ и Сколтеха. Проводит исследования в группе Байесовских методов — в частности, разрабатывает новые методы ансамблирования нейросетей.
- Дмитрий Иванов — аспирант НИУ ВШЭ. Работает в области обучения с подкреплением. Также занимается применением методов машинного обучения в экономике.
- Артем Гадецкий — магистрант совместной программы НИУ ВШЭ и Сколтеха. Занимается градиентной оптимизацией, создал общий метод снижения дисперсии для стохастической оптимизации по перестановкам.
- Денис Волхонский — аспирант Сколтеха. Проводит исследования в области трёхмерного компьютерного зрения и генерации видео.
- Ваге Егиазарян — аспирант Сколтеха. Занимается глубоким обучением и нейронными сетями в компьютерном зрении.
- Вячеслав Шаламов — аспирант ИТМО. Проводит исследования в области оптимизации производительности различных алгоритмов машинного обучения.
Победу в номинации «Научные руководители» одержали доцент Сколтеха, руководитель научной группы Advanced Data Analytics in Science and Engineering (ADASE group) Евгений Бурнаев, доцент кафедры математических основ управления ФУПИ ПМИ Александр Гасников (МФТИ) и доцент департамента анализа данных и искусственного интеллекта факультета компьютерных наук НИУ ВШЭ Сергей Объедков.
Аспиранты и магистранты получат денежное вознаграждение в размере 350 тысяч рублей. Размер премии для научных руководителей составляет 700 тысяч рублей.
Первое вручение премии состоялось в 2019 году. В этот раз из-за пандемии коронавируса торжественную церемонию вручения пришлось отменить.
Дмитрий Левин
Алгоритм помог отделить летучих мышей от птиц и насекомых
Ученым удалось точно описать миграцию перелетных летучих мышей и отличить их от других животных. Оказалось, что они летают на меньшей высоте, чем птицы, и начинают мигрировать позднее. Найти мигрирующих летучих мышей помог алгоритм для классификации данных с радаров: он определил, какие данные относятся к насекомым и птицам, а какие — к летучим мышам. Работа опубликована в журнале Methods in Ecology and Evolution. С помощью радаров ученые уже почти 80 лет исследуют летающих существ: птиц и насекомых. По данным с радаров можно изучать длительные и массовые перемещения птиц, например сезонную миграцию. Для анализа радарных данных нужно сначала понять, каким животным эти данные принадлежат. Птиц и насекомых легко различить по размеру, форме и аэродинамике, а вот летучих мышей от птиц отличить сложнее. Для различения летающих животных на радарных данных используются разные алгоритмы, в том числе методы машинного обучения, но для них нужно много предварительных наблюдений. Например, исследователи могут пронаблюдать за движением птиц в определенном месте и отметить их на данных с радаров. В отличие от птиц, летучие мыши активны в темное время суток, и наблюдать за ними сложнее, поэтому данных о миграции летучих мышей мало. Из-за отсутствия данных их перелеты не учитываются при строительстве небоскребов, вышек или электростанций, поэтому летучие мыши могут в них врезаться во время миграции. Чтобы лучше изучать и защищать летучих мышей, группа ученых из Тель-Авивского университета под руководством Нира Сапира (Nir Sapir) придумала способ определять их на данных с радаров. Во-первых, авторы учли характеристики полета летучих мышей: амплитуду и скорость движений крыльями, высоту и скорость передвижения. Во-вторых, они исследовали данные, собранные за четыре года в Долине Хула в Израиле за определенные две недели в июне — обычно в это время там останавливаются передохнуть многие перелетные птицы во время миграции по Евразийско-Африканскому маршруту, но по ночам в июне в долине встречаются только четыре хорошо изученных вида птиц, которых можно перепутать с летучими мышами. По характеристикам полета ученые отделили этих птиц от летучих мышей в радарных данных. Так авторы собрали датасет с информацией о перелетах летучих мышей и насекомых с птицами. Наблюдений по летучим мышам оказалось намного меньше, поэтому ученые дополнительно сгенерировали искусственные данные с помощью нейросети. В итоговом датасете получилось 430 тысяч наблюдений. На нем натренировали четыре классификатора, отделяющие летучих мышей от других летающих существ. Для классификации использовали деревья решений. Каждый классификатор использовал разный набор параметров: в одном учитывались все данные о полете, в другом не учитывалась скорость передвижения, в третьем — амплитуда и скорость махов крыльями, в четвертом — паузы без взмахов крыльями. Худшие результаты (точность меньше 65 процентов) показали третья и четвертая модели, которые не учитывали информацию о взмахах крыльями. Зато классификатор, обученный на полном наборе данных, показал точность 94 процента. Помимо обычной оценки точности классификации, авторы проверяли, как часто модель ошибочно определяет летучих мышей на дневных данных (обычно летучие мыши мигрируют по ночам). Авторы применили обученный классификатор на другие данные, собранные в Долине Хула, и смогли выяснить новые особенности миграции и поведения летучих мышей. Оказалось, что они еще менее активны зимой, чем летающие птицы и насекомые. Также ученые показали, что летучих мышей есть два основных периода и направления миграции: с марта по июнь на север и с сентября по ноябрь на юг. Летучие мыши начинают и заканчивают сезонные перелеты позднее, чем птицы. Недавно зоологи выяснили, что перелетные летучие мыши ориентируются по геомагнитному полю во время миграций. Ученые пришли к этому выводу после экспериментов с малыми нетопырями. Две группы летучих мышей держали в обычных клетках и клетках с искаженным магнитным полем. Когда обе группы выпустили из клеток, они полетели в разных направлениях.