Часть 1. Пленарные доклады
|
|
A case study in proof-theoretic tetralateralism H. Wansing
|
13–23 |
|
Применение нейронных сетей для распознавания конформационных изменений в структуре белка по рентгеновским дифрактограммам его одиночных молекул на примере фотоцикла бактериородопсина Г. А. Армеев, М. П. Кирпичников, Г. М. Кобельков, А. В. Кудрявцев, М. А. Ложников, В. Н. Новоселецкий, А. К. Шайтан, К. В. Шайтан
|
24–34 |
|
Машинное обучение систем интеллектуального управления А. И. Дивеев
|
35–43 |
|
Сервисы искусственного интеллекта в современной экономике М. И. Лугачев, К. Г. Скрипкин, Р. Д. Гимранов
|
44–49 |
|
Автоматический анализ тональности текстов: проблемы и методы Н. В. Лукашевич
|
50–61 |
|
Машинное зрение: от задачи до аппаратной реализации А. В. Шокуров
|
62–81 |
|
Новые архитектуры сильного ИИ, основанные на принципах работы мозга С. А. Шумский
|
82–89 |
|
Часть 2. Математика и компьютерные науки
|
|
К вопросу о функциональной системе автоматов с операцией суперпозиции Д. Н. Бабин
|
91–93 |
|
О новом алгоритме достижения консенсуса для стабильных криптовалют Э. Э. Гасанов, М. Б. Суюнбекова
|
94–100 |
|
Процессный подход к моделированию и верификации параллельных программ А. М. Миронов
|
101–106 |
|
Построение p-гиперграфов методом имитации отжига И. Е. Наумов, Е. В. Хворостухина
|
107–111 |
|
О качественном сравнении семейств вещественных функций А. П. Рыжов, А. К. Синько
|
112–115 |
|
Применение топологически простых колец в криптографии В. В. Тензина
|
116–120 |
|
Информатика, компьютер, сложность вычислений В. Н. Чубариков
|
121–128 |
|
Реализация модифицированного метода Рабинера для множества стохастических матриц на нейронных сумматорах С. В. Шалагин, А. Р. Нурутдинова
|
129–132 |
|
Часть 3. Интеллектуальный анализ больших данных
|
|
Алгоритмы быстрого умножения Р. Р. Айдагулов
|
134–139 |
|
Бигрупповые алгебры и теорема Поттера Р. Р. Айдагулов
|
140–145 |
|
Преподавание фундаментальных основ искусственного интеллекта как реализация концепции нового научного знания С. Т. Главацкий, И. Г. Бурыкин
|
146–152 |
|
Динамическое формирование и обновление карты запасов органического углерода на территории России как задача интеллектуального анализа Больших данных О. М. Голозубов, О. В. Чернова
|
153–159 |
|
Построение классификаторов в задаче прогнозирования риска неблагоприятного клинического исхода на основе клинико-демографических показателей пациента Б. Э. Горный, А. П. Рыжов, А. С. Строгалов, А. А. Хусаенов, И. А. Шергин, Д. А. Фещенко, А. М. Абдуллаев, А. В. Концевая
|
160–163 |
|
Измерение алкогольного благополучия регионов на основе статистической информации А. П. Рыжов, Б. Э. Горный, А. В. Зудин
|
164–169 |
|
Построение поисковой системы, учитывающей контекстное вхождение общих между запросом и документами слов И. В. Тарлинский
|
170–172 |
|
Часть 4. Обработка естественного языка
|
|
Интенсиональная семантика в анализе естественного языка И. А. Бескова
|
174–178 |
|
Сетевой кластерный подход к анализу естественного языка и его применение А. Д. Богомолова
|
179–184 |
|
Создание псевдоаннотированного обучающего корпуса для задачи разрешения лексической неоднозначности с помощью ансамбля моделей А. С. Большина
|
185–189 |
|
Автоматический анализ репродуктивных ценностей пользователей сети ВКонтакте И. Е. Калабихина, Н. В. Лукашевич, Е. П. Банин, К. В. Алибаева
|
190–195 |
|
Три аспекта непротиворечивости языковых данных: оценка и интерпретация Е. А. Лютикова, А. А. Герасимова, Д. Д. Белова, К. А. Студеникина, А. С. Лютиков
|
196–202 |
|
Семантический анализ некоторых типов предложений Правил дорожного движения М. И. Менькин
|
203–207 |
|
Часть 5. Искусственные нейронные сети и машинный интеллект
|
|
Решение задачи классификации с помощью интерференционной модели нейронной сети Н. А. Бабич
|
209–213 |
|
Искусственный интеллект как инструмент для решения практических задач в нейробиологических исследованиях Д. С. Бережной, Т. К. Бергалиев
|
214–219 |
|
Аппаратное обеспечение для неиросетей Д. А. Иванов
|
220–224 |
|
Диагностика нефтяных трубопроводов с помощью машинного обучения Ю. Д. Кацер, В. О. Козицин
|
225–228 |
|
Интегральная система для обработки биосигналов на основе алгоритмов ИИ и перспективы ее применения Ю. С. Ковалев, Д. С. Бережной, С. В. Сахно, Т. К. Бергалиев, М. А. Киселева
|
229–235 |
|
Фреймворк с открытым исходным кодом для обнаружения аномалий и прогнозирования состояния в технических системах В. О. Козицин, Ю. Д. Кацер
|
236–240 |
|
Совместное применение рекуррентных нейронных сетей и статистических методов для увеличения точности прогнозирования океанологических данных В. Ю. Кузьмин
|
241–245 |
|
Оценка позы человека как задача классификации Ю. В. Проничкин, М. И. Кумсков
|
246–249 |
|
Использование сверточных нейронных сетей для реидентификации людей в городских условиях Е. П. Сучков, Г. О. Алексеенко, К. В. Налчаджи
|
250–254 |
|
Автоматическая идентификация минералов на изображениях аншлифов с использованием глубокого обучения А. В. Хвостиков, А. С. Крылов, Д. М. Коршунов, М. А. Богуславский
|
255–260 |
|
Часть 6. Интеллектуальное управление, роботы и биомехатронные системы
|
|
Применение рекуррентной нейронной сети для идентификации динамики стенда типа центрифуги Г. С. Бугрий
|
262–266 |
|
Планирование движения автономного робота в лабиринте с препятствиями Э. И. Залилов, А. С. Долгий, А. В. Шокуров
|
267–272 |
|
Программное обеспечение для регистрации движения глаз Я. Ю. Миняйло, А. Ю. Комаровский, А. Х. Крымшамхалов
|
273–275 |
|
Применение окулографии для объективной оценки воспроизведения акселерационных эффектов тренажёрными устройствами имитации полёта П. Ю. Сухочев, Я. Ю. Миняйло
|
276–281 |
|
Адаптация технологии отслеживания движений человека для создания аватара внутри интерактивной виртуальной среды В. В. Черданцева, Г. С. Бугрий, С. В. Леонов, И. С. Поликанова, А. А. Якушина, В. А. Чертополохов
|
282–286 |
|
Часть 7. Нейроморфный искусственный интеллект и когнитивные системы
|
|
Исследование кратковременной и долговременной памяти в задаче распознавания положения объектов у мышей В. И. Алипов, К. А. Торопова, О. И. Ивашкина, К. В. Анохин
|
288–293 |
|
Исследование когнитивных способностей серых ворон при помощи комплекса задач на базе Эзопова теста Е. А. Диффинэ, А. А. Смирнова
|
294–299 |
|
Исследование механизмов формирования пожизненной памяти в когнитивных системах на модели посттравматического стрессового расстройства у мышей Т. А. Заморина, К. А. Торопова, О. И. Ивашкина, К. В. Анохин
|
300–305 |
|
Сопоставление паттернов экспрессии генов c-fos и arc в головном мозге мышей при формировании и извлечении обстановочной ассоциативной памяти Л. С. Казанская, О. И. Ивашкина, К. А. Торопова, К. В. Анохин
|
306–310 |
|
Алгоритм SCoBUL обучения без учителя импульсной нейронной сети и его применение для выделения информативных признаков из сигнала DVS камер М. В. Киселев
|
311–315 |
|
Исследование когнитивных способностей серых ворон при помощи нового типа протоорудийных задач К. Н. Кубенко, А. А. Смирнова
|
316–320 |
|
DOGHOUSE: новый метод исследования пространственно-временной динамики активности мозга А. А. Лазуткин, С. А. Шуваев
|
321–326 |
|
Нейроморфные системы искусственного интеллекта Д. А. Ларионов, Д. А. Иванов, М. В. Киселев
|
327–331 |
|
Кодирование пространства и объектов в гиппокампе: роль новизны и значимости объектов в формировании когнитивной специализации нейронов В. В. Плюснин, К. А. Торопова, О. И. Ивашкина, К. В. Анохин
|
332–336 |
|
Извлечение коллективных переменных из многомерной нейронной активности клеток места Н. А. Поспелов, В. П. Сотсков, К. В. Анохин, С. К. Нечаев, А. С. Горский
|
337–340 |
|
Исследование кальциевой активности нейронов ретросплениальной коры при обследовании нового пространства и объектов у мышей О. С. Рогожникова, О. И. Ивашкина, К. А. Торопова, М. А. Солотёнков, И. В. Федотов, А. М. Желтиков, К. В. Анохин
|
341–345 |
|
Нейроморфные системы машинного зрения А. В. Теплюк
|
346–350 |
|
Эффекты травматического опыта на поведение, экспрессию с-fos и функциональные связи в сети состояния покоя мозга мыши К. А. Торопова, О. И. Ивашкина, А. А. Иванова, Е. В. Коновалова, К. В. Анохин
|
351–353 |
|
Об одном способе моделирования когнитивно-ограниченных выводов формул Д. Н. Федянин
|
354–358 |
|
Часть 8. Человеко-ориентированный искусственный интеллект и нейроинтерфейсные технологии
|
|
Artificial intelligence enhanced by modelling B. Thalheim
|
360–366 |
|
Философский анализ ограничений использования систем искусственного интеллекта в образовании Е. В. Брызгалина
|
367–370 |
|
Великий уравнитель. Может ли голосовой помощник модерировать групповое взаимодействие? Ф. Н. Винокуров, К. А. Панов
|
371–376 |
|
Этическое регулирование технологий искусственного интеллекта Н. Ю. Клюева
|
377–379 |
|
Перспективы и ограничения нейросетевых моделей в нейронауках А. А. Онучин
|
380–384 |
|
Проблемы разработки систем Гибридного Интеллекта А. П. Рыжов
|
385–389 |
|
Какими нас сделает Искусственный Интеллект: беззаботными или безработными? Е. Д. Садовская, Ф. Н. Винокуров
|
390–395 |
|
Диагностика креативности: нейронные сети для анализа графических решений в компьютерном тестировании И. Л. Угланова, Е. С. Гельвер, С. В. Тарасов, Д. А. Грачева
|
396–399 |
|
Заменим ли "ручной труд": измерение креативности в цифровой среде без привлечения экспертов И. Л. Угланова, С. В. Тарасов, С. М. Чурбанова, Е. А. Орел
|
400–405 |
|
Часть 9. Представление знаний и автоматизация рассуждений
|
|
Towards relevant multilatticce logic O. M. Grigoriev, Ya. I. Peturkhin
|
407–410 |
|
Epistemic logics for ignorance representation E. Kubyshkina, M. Petrolo
|
411–412 |
|
Крипке+ДеГроот: эпистемико-доксатическая модель социального влияния В. В. Долгоруков
|
413–416 |
|
Искусственный интеллект в финансах: за или против человека Р. А. Кокорев, О. Н. Лаврентьева, И. Б. Суркова, М. С. Толстель, В. С. Трушина
|
417–421 |
|
Логика суждений существования как средство представления знаний и автоматической проверки умозаключений В. И. Маркин
|
422–426 |
|
Искусственный интеллект как инструмент построения персональных инвестиционных маршрутов для технологических проектов А. А. Морозов, Е. Б. Тищенко
|
427–431 |
|
Экономический анализ поведения участников цифровых экосистем А. А. Моросанова
|
432–437 |
|
Минимальная логика для анализа технологий В. И. Шалак
|
438–441 |