CC BY
6Секция 9
139
канонических течениях в двумерных каналах с выступами, для которых доступны высокоточные данные DNS, LES для обучения и калибровки моделей. Предварительные расчеты в OpenFOAM для течения с периодическими холмами и априорные оценки показывают, что использование TBNN приводит к уточнению распределений для компонент тензора анизотропии напряжений Рейнольдса по сравнению с их аналогами, вычисленными по базовой линейной градиентной модели Буссинеска.
Работа выполнена в рамках государственного задания (номер госрегистрации 121030500149-8). Список литературы
1. Ling J., Kurzawski A., Templeton J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance // J. Fluid Mech. 2016. V. 807. P. 155-166.
2. Weatheritt J., Sandberg R. A novel evolutionary algorithm applied to algebraic modifications of the RANS stressstrain relationship // J. Comput. Phys. 2016. V. 325. P. 22-37.
3. Jiang C., Vinuesa R., Chen R., Mi J., Laima S., Li H. An interpretable framework of data-driven turbulence modeling using deep neural networks // Phys. Fluids. 2021. V. 33. # 055133.
Универсальные локально-постоянные ядерные оценки в непараметрической регрессии
Ю. Ю. Линке, И. С. Борисов, П. С. Рузанкин Институт математики им. С. Л. Соболева СО РАН Email: linke@math.nsc.ru DOI: 10.24412/cl-35065-2022-1-02-01
В докладе будет обсуждаться новый класс универсальных оценок ядерного типа в непараметрической регрессии, равномерно состоятельных при близких к минимальным и наглядных условиях на точки дизайна. При этом не используются традиционные условия зависимости элементов дизайна, дизайн может быть как фиксированным и не обязательно регулярным, так и случайным, при этом не обязательно состоящим из независимых или слабо зависимых случайных величин. Универсальность оценок заключается в том, что их асимптотические свойства не зависят от структуры корреляции элементов дизайна, относительно которых предполагается лишь в некотором смысле плотное заполнение области определения регрессионной функции.
Работа выполнена при финансовой поддержке Российского научного фонда (код проекта 22-21-00414). Список литературы
1. Borisov I. S., Linke Yu.Yu., Ruzankin P. S. Universal weighted kernel-type estimators for some class of regression models // Metrika. 2021. V.84, № 2. P.141-166.
2. Linke Yu.Yu., Borisov I. S. Insensitivity of Nadaraya-Watson estimators to design correlation // Communications in Statistics - Theory and Methods. 2021. https://doi.org/10.1080/03610926.2021.1876884.
3. Линке Ю. Ю. К вопросу о нечувствительности оценок Надарая - Ватсона относительно корреляции элементов дизайна // Теория вероятностей и ее применения (принята к печати).
Проблема вариативности в задаче нотолинейной реконструкции знаменных песнопений
Л. А. Мирошниченко, И. В. Бахмутова, В. Д. Гусев Институт математики им. С. Л. Соболева СО РАН e-mail: luba@math.nsc.ru DOI: 10.24412/cl-35065-2022-1-02-02
Развиваемый авторами подход к разработке методики и алгоритмов перевода знаменных церковных песнопений XII—XVII вв. в современную нотолинейную форму [1] основан на использовании "параллельных" текстов, в которых мелодия записана как знаменами, так и нотами. Сложность перевода обусловлена высокой вариативностью обоих уровней представления данных: фрагмент знаменного текста может
140 Методы искусственного интеллекта и машинного обучения
иметь несколько допустимых вариантов интерпретации на уровне нот и, наоборот, одной и той же цепочке нот могут соответствовать разные цепочки знамен. Об этом свидетельствует анализ идентичных (по стихотворному тексту) песнопений из певческих книг, составленных разными авторами. Целью работы является получение качественных и количественных оценок допустимой вариативности. Для сравнения двознаменных текстов предложена модификация известной схемы вычисления "редакционного" расстояния. Указана связь полученных результатов с оценкой точности алгоритмов дешифровки.
Работа выполнена при поддержке программы фундаментальных научных исследований РАН (проект № FWNF-2022-0015).
Список литературы
1. Gusev V. D., Bakhmutova I. V., Miroshnichenko L. A., Titkova T. N. Possible approaches to deciphering Russian ancient Znamenny chant // J. of New Music Research. 2020. V. 49, iss. 3. P. 298-306.
Распознавание в научных текстах аргументов с этосом и пафосом
Н. В. Саломатина1, И. С. Пименов2, Е. А. Сидорова3 1Институт математики им. С. Л. Соболева СО РАН 2Новосибирский государственный университет 3Институт систем информатики им. А. П. Ершова СО РАН Email: salomatina_nv@live.ru DOI: 10.24412/cl-35065-2022-1-02-03
Данная работа направлена на автоматизацию разметки такого свойства аргумента, как механизм воздействия на аудиторию: апелляция к авторитету (этос) и к эмоциям (пафос). Материалом послужили ар-гументационные аннотации научных русскоязычных текстов, построенные "вручную" экспертами в виде графов аргументации на платформе ArgNetBankStudio [1]. Решались две задачи бинарной классификации аргументов: аргументы разделялись на выражающие и не выражающие 1) этос и 2) пафос. Для решения применялся ряд алгоритмов машинного обучения. Описание аргументов было составлено из отфильтрованных по весу (EMI) униграмм. Обучающие коллекции для решения каждой задачи содержали более 950 аргументов из двух классов в примерно равной пропорции. Тестовая коллекция для каждой задачи включала около 300 аргументов. Лучшая F-мера классификации этос/не-этос и пафос/не-пафос была достигнута полиномиальным Байесом и составила 65 % и 64 % соответственно.
Работа выполнена в рамках гос. задания ИМ СО РАН (проект № FWNF-2022-0015) и гос. задания ИСИ СО РАН № 075-01520-22-00.
Список литературы
1. Сидорова Е. А., Ахмадеева И. Р., Загорулько Ю. А., Серый А. С., Шестаков В. К. Платформа для исследования аргументации в научно-популярном дискурсе // Онтология проектирования. 2020. Т. 10, № 4(38). С. 489-502.
Влияние настраиваемых параметров полносвязной нейронной сети на качество предсказания для задачи классификации литотипов
И. А. Селезнёв1, Г. А. Коссов1,2 1Московский НИИЦ Шлюмберже 2Московский физико-технический институт Email: kossov.ga@phystech.edu DOI: 10.24412/cl-35065-2022-1-02-04
Применение методов машинного обучения позволяет автоматизировать процесс классификации литотипов, что значительно упрощает работу геолога. Алгоритмы, основанные на сверточных сетях,
