Диссертации, представленные на защиту и подготовленные в НИУ ВШЭ

Диссертация посвящена трём взаимосвязанным компонентам самоконтролируемого обучения: архитектурам моделей, функциям потерь и специфичным для данных вспомогательным задачам, применительно к визуальным данным, временным рядам с промышленных датчиков и графовым данным. Для визуальных данных предложены архитектуры на основе рекуррентных сетей с механизмами внимания и визуальных трансформеров для монокулярной оценки глубины, включая облегчённую модель для мобильных устройств. Отдельно разработаны подходы к визуальному распознаванию места на основе семантической и глубинной информации и фреймворк дистилляции знаний «учитель-ученик» для обнаружения 3D-объектов. В части временных рядов с промышленных датчиков разработаны специализированные функции потерь и архитектуры моделей взаимодействия, которые позволяют устойчиво диагностировать неисправности и предсказывать остаточный ресурс промышленного оборудования при минимальном объёме размеченных данных. На графовых данных предложены новые вспомогательные задачи: построение векторных представлений рёбер статических и динамических графов, обучение на молекулярных графах и формирование вознаграждения в обучении с подкреплением на основе графовых нейронных сетей. Результаты расширяют теоретическую базу самоконтролируемого обучения и апробированы в задачах промышленных партнёров. В их числе интеграция в задачах индустриальных партнеров.

Nowadays, recommender systems are essential components of various consumer services, from e-commerce to social media. They help navigate through a large volume of items empowering user experience. Methods vary from classic matrix completion techniques to modern sequence models inspired by natural language processing. One of the prominent approaches is to consider the recommender system as a link prediction problem on a bipartite user-item interaction graph.The dissertation studies the adaptation of network embedding techniques to recommender systems. In the dissertation, we investigated different aspects of graph machine learning techniques, and their effect on downstream link prediction problem. We proposed an efficient strategy to incorporate node and edge features with structural information to solve the link prediction (recommendation) problem. Also, we developed novel models to preserve temporality and enable graph-based exploration for recommender systems. Proposed approaches were compared with the state-of-the-art open-source benchmarks and showed the efficiency of our approach.