Рассматривается актуальная задача обеспечения готовности беспилотных транспортных средств (агентов) в динамической технической системе (ДТС) в интеллектуальной транспортной среде. Исследуется проблема неравномерного распределения нагрузки между агентами и, как следствие, неэффективного расходования энергии, что сокращает общее время функционирования системы. Для решения проблемы предлагаются оптимизационная модель, включающая в себя целевую функцию, позволяющую максимизировать время работы всей ДТС, и набор ограничений, учитывающих доступную энергию каждого агента. Ключевой аспект модели – обеспечение равномерного распределения энергетической нагрузки между всеми агентами. Для решения задачи оптимизации модель использует алгоритм выполнимости булевых формул CP-SAT с целочисленными ограничениями. В ходе экспериментальной работы с алгоритмом CP-SAT было обнаружено интересное явление: существует корреляция между шагом дискретизации времени (интервалом, за который алгоритм ищет приемлемое решение) и временем работы оптимизационной программы, что позволило предложить эвристический метод изменения шага дискретизации. Основное внимание в исследовании уделено проверке работоспособности предложенной модели и алгоритма оптимизации в условиях реальных, подверженных внешним возмущениям, роботизированных транспортных систем. Модель испытана и показала работоспособность как на программных примерах с полностью известными параметрами системы, так и на реальном стенде, где параметры системы находятся под воздействием возмущений.

Изучается устойчивость седловых точек. Приведена теорема об устойчивости и примеры, показывающие существенность ее предположений. Приведены некоторые обобщения теоремы устойчивости. Определены обобщенно седловые точки и изучены их свойства. Исследована их устойчивость.

Доклад посвящен проблеме повторяемости и масштабирования экспериментов в машинном обучении. Данная проблема возникла после значительного рывка в технологиях, которые позволили использовать современные модели машинного обучения значительно чаще при решении прикладных задачах. Отсутствие повторяемости экспериментов приводит к искаженным результатам [1], которые могут повлиять на конечный результат всего исследования. Повторяемость экспериментов связано с задачей масштабирования экспериментов. Обе эти задачи требуют некоторой унификации кода, которое позволяет перезапускать код эксперимента множество раз, причем гарантируя единый результат. В случае масштабирования разные запуски выполняются с различными начальными условиями — к примеру, с различными гипераметрами, для ускорения подбора. Основной целью исследования является анализ существующих решений для построения системы проведения экспериментов на базе существующих открытых библиотек. В докладе анализируются различные инструменты для повышения качества проводимых исследований. Анализируются методы для работы с данными DVC [2] и методы для обучения моделей глубокого обучения на локальном компьютере и на внешнем кластере. В качестве базовых методов MLOps рассматриваются MLflow [3], W&B [4], Kubeflow [5]. В работе анализируется возможность использования различных инструментов в кластерных архитектурах, возможность использования кода при разработке моделей машинного обучения в команде, поддержка ipynb тетрадок и т.д. При построении итоговой системы проведения экспериментов учитывает общая популярность различных инструментов. В частности, их интеграция в уже существующие библиотеки обучения моделей глубокого обучения.

Большинство алгоритмов глубокого обучения оптимизируют параметры моделей для решения одной задачи (single-task). В целях повышения обобщающей способности, скорости обучения и производительности модели распространено применение многозадачного (multi-task) обучения, за счет обработки информации, разделяемой между задачами. При совместном использовании некоторых параметров сети модель может получить более эффективное и компактное представление данных, что в свою очередь является полезным, когда задачи связаны или имеют общие черты. Многообразие и стремительное развитие языковых генеративных моделей привело к появлению большого количества искусственных текстов. Сгенерированные фрагменты могут нести за собой плагиат, логические ошибки и информацию, не соответствующую действительности. В данной работе рассмотрено применение метода многозадачного обучения для повышения точности детектирования текстов, сгенерированных различными языковыми моделями для русского языка. Выбран подход, основанный на добавлении дополнительных «голов» (классификаторов) в архитектуру BERT-подобной модели с общим энкодером. Выдвинута гипотеза, что такой метод обучения детекторов может улучшить представление текста, в частности, сблизить эмбеддинги фрагментов от одного автора и отдалить от разных в векторном пространстве [1], поскольку один из классификаторов будет решать проблему указания авторства (authorship attribution). В данном эксперименте подход многозадачного обучения позволил улучшить качество детектирования сгенерированных фрагментах на наборах данных с бинарной классификацией. Классификатор, отвечающий за мультиклассовую классификацию способен помочь сблизить эмбеддинги текстов одного автора и отдалить разных в векторном пространстве, что положительно влияет на качество детекции машинно-сгенерированных фрагментов.