В работе исследуется возможность использования малой языковой модели для построения генеративных рекомендательных систем на основе семантических идентификаторов товаров, представляющих собой иерархическое семантическое пространство. Эксперименты, проведённые на датасете Amazon, показывают, что модель способна корректно воспроизводить структуру идентификаторов и сохранять высокоуровневую семантику товаров. Полученные результаты подтверждают перспективность подхода для рекомендательных сценариев.

Данная работа посвящена разработке архитектуры интеллектуального образовательного помощника на основе симбиоза графов знаний и больших языковых моделей (LLM). Граф знаний обеспечивает структурированное хранение фактов и связей между учебными понятиями. Большая языковая модель используется для обработки естественно-языковых запросов учащихся и генерации контекстных объяснений. Их совместное применение позволяет создать систему, которая даёт точные ответы и адаптирует подачу материала. 

В рамках данного исследования разработан класс методов динамического контекстно-зависимого прунинга активаций больших языковых моделей для ускорения инференса на основе расстояния Махаланобиса

Исследовано обучение эмбеддингов спектров тандемной масс-спектрометрии для быстрого поиска похожих спектров без дорогостоящего попарного сравнения. Каждый спектр представлен графом: пики — узлы, рёбра задаются алфавитом разностей масс, что вносит структурную информацию в модель. Построена модель, сохраняющая структуру спектрального сходства и обеспечивающая согласованность спектров повторных измерений; при этом графовые модели устойчиво превосходят неграфовый базовый вариант.

Работа посвящена проблеме защиты семантического поиска. Предложен и теоретически обоснован гибридный двухуровневый метод, сочетающий необратимые SVD-проекции с секретной ортогональной ротацией для защиты базы данных и гомоморфное шифрование для защиты запроса. Эксперименты на корпусе из 1 млн документов русскоязычной Википедии показали эффективность данного метода. Метод ориентирован на корпоративные RAG-системы, медицинские и юридические базы знаний.

Обычно обучение генеративных моделей занимает очень долгое время (месяцы), а сами они очень тяжелые. Производители мобильных устройств внедряют генеративные сети для задач воспроизведения контента, игр и фоторедакторов. Для этого создаются специальные архитектуры для мобильных устройств. В работе предлагается метод, позволяющий оптимизировать уже существующие генеративные сети под мобильные устройства с минимальными временными затратами на дообучение.

В работе разработан воспроизводимый фреймворк глубокого обучения для автоматизированной детекции хромотрипсиса - катастрофического события геномной нестабильности, связанного с агрессивным течением рака. Проведен бенчмаркинг и оптимизация модели GECNVNet, а также предложены событийные модели BiLSTM и Graph-GNN для анализа структурных вариаций. Показано, что графовое представление SV точнее отражает топологию перестроек и улучшает качество классификации.

Предлагается алгоритм FGTS-LASSO для разреженных контекстных бандитов, разделяющий отбор признаков и оценку награды. LASSO выделяет релевантную поддержку для каждого действия. Затем на выбранных признаках строится байесовская линейная модель с гауссовским апостериором. Эксплорация выполняется через Thompson Sampling — семплирование параметров и выбор лучшего действия. При стандартных предположениях достигается регрет $${\rm O}\left(\frac{s}{\sqrt{T}}\right) при  s\ll d$$.

Исследуется применение сетей Колмогорова–Арнольда для моделирования табличных данных. Анализируется влияние эмбеддингов численных признаков и алгоритма оптимизации на качество обучения. Эксперименты проведены на публичных задачах классификации и регрессии при едином протоколе настройки моделей. Показано, что эмбеддинг PLE-Q улучшает качество, а оптимизатор Muon обеспечивает лучшую сходимость по сравнению с AdamW и альтернативами. Рекомендуется сочетание «KAN + PLE-Q» и Muon.