Разработка новых вычислительных тензорных методов для задач интеллектуального анализа больших массивов данных на основе последовательностей событий.

Задачи интеллектуального анализа данных с учетом очередности анализируемых событий являются актуальными во многих предметных областях: от рекомендательных систем и обработки текстов на естественном языке до анализа динамики климатических изменений на планете. Особенностью таких задач, с одной стороны, является большой масштаб, а с другой - высокая доля пропусков в данных и их зашумленность, что накладывает особые требования на соответствующие методы и алгоритмы анализа. В проекте предлагается разработать масштабируемые методы на основе малоранговых тензорных разложений специального вида, учитывающих информацию об очередности событий и эффективно работающих на неполных данных. Проект нацелен на решение проблем в нескольких направлениях: 1. создание вычислительно эффективной альтернативы современным нейросетевым методам анализа последовательных данных, 2. создание методов, которые позволят повысить вычислительную эффективность алгоритмов на основе глубоких нейронных сетей за счет снижения размерности входных данных. Это позволит расширить арсенал существующих математических моделей и вычислительных инструментов для широкого круга современных задач интеллектуального анализа больших массивов последовательных данных. Особенности постановки задачи ведут к необходимости рассмотрения новых структур тензорных представлений и обобщения подходов на основе анализа сингулярного спектра (метод "гусеницы", SSA) для тензорного случая. Кроме того, для обеспечения масштабируемости возникает необходимость правильного применения быстрых методов обучения и дообучения моделей с использованием алгоритмов скетчинга или потоковых алгоритмов, рандомизированных подходов, а также подходов на основе динамической малоранговой аппроксимации. В результате выполнения проекта планируется создать комплекс программ ЭВМ с открытым исходным кодом с реализациями тензорных алгоритмов интеллектуального анализа больших неполных данных о последовательностях.