Вычислительно эффективные алгоритмы машинного обучения на основе новых метрик ансамблевого сходства в условиях неполноты обучающей информации

Проект направлен на дальнейшее развитие и практическую реализацию новой методологии в машинном обучении, основанной на ансамблевых метриках сходства. Целью разработки является создание на базе этой методологии новых эффективных методов и алгоритмов, которые будут способны решать задачи анализа разнородных данных в условиях неполноты обучающей информации, при наличии сложных нелинейных структур данных и их большом объеме. При построении метрик сходства, наряду с методами коллективной кластеризации, предлагается использовать методы нелинейного выделения признаков с применением глубокого автоэнкодера с различными вариантами архитектуры. На основе развиваемого подхода будут разработаны методы слабо-контролируемого обучения (weakly supervised learning) в задачах классификации и прогнозирования. При этом будут усовершенствованы методы машинного обучения с применением регуляризации многообразия (manifold regularization) с использованием малоранговой матричной декомпозиции. На основе предложенных методов предусматривается создание вычислительно эффективных алгоритмов анализа данных большого объема. Разработанные алгоритмы и их программные реализация будут использованы для решения практических задач анализа данных в области медицины и биологии.