R&D проекты и исследования

Большинство наших разработок в области анализа данных и машинного обучения тесно связаны с научной деятельностью проводимой на факультете информационных технологий и программирования Санкт-Петербургского исследовательского университета информационных технологий, механики и оптики (ИТМО). Участники нашей команды – молодые ученые, сотрудники научных лабораторий университета и участники исследовательских проектов, реализуемых совместно с ведущими российскими и международными институтами. Мы очень гордимся тем, что наши технологии и продукты разрабатываются на стыке математики, программирования, визуализации больших данных и находят применение в различных областях повседневной человеческой деятельности.

Основная тематика исследований связана с разработкой алгоритмов автоматического построения моделей машинного обучения. Наши исследования ведутся в таких областях, как:

  • Системы на базе компьютерного зрения
  • Генеративные нейронные сети
  • Автоматическое машинное обучение
  • Кластеризация данных
  • Выявление аномалий в данных
  • Обработка естественных языков
  • Сегментация данных
  • Поиск скрытых закономерностей в данных
  • Системы информационного поиска

Избранные публикации

Наши научные работы публикуются в рецензируемых журналах в России и за рубежом

  • Zabashta A., Smetannikov I., Filchenkov A. Rank aggregation algorithm selection meets feature selection [MLDM 2016]
  • Efimova V., Filchenkov A., Shalyto A. Reinforcement-based Simultaneous Algorithm and its Hyperparameters Selection [AWRL@ACML 2016]
  • A. Filchenkov, A. Pendryak Datasets Meta-Feature Description for Recommending Feature Selection Algorithm
  • Filchenkov A., Khanzhina N., Tsai A., Smetannikov I. Regularization of Autoencoders for Bank Client Profiling Based on Financial Transactions. Risks. 2021. Vol. 9. No. 3. pp. 54.
  • Filchenkov A., Krylov D.P., Khanzhina N., Zabashta A., Поляков С. Improving Multimodal Data Labeling with Deep Active Learning for Post Classi cation in Social Networks. ICMR. 2021. pp. 1-14.
  • Yang Q., Farseev A., Filchenkov A. Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia for Human Personality Profiling. ICDAR '21: Proceedings of the 2021 on Intelligent Cross-Data Analysis and Retrieval Workshop. 2021. pp. 8.
  • Farseev A., Yang Q., Filchenkov A., Lepikhin K., Chu-Farseeva Y., Loo D. SoMin.ai: Personality-Driven Content Generation Platform. 14th ACM International Conference on Web Search and Data Mining, WSDM 2021. 2021. pp. 890-893.
  • Asadulaev A., Kuznetcov I.S., Stein G., Filchenkov A. Exploring and Exploiting Conditioning of Reinforcement Learning Agents. IEEE Access. 2020. Vol. 8. pp. 211951-211960.
  • Asadulaev A., Stein G., Filchenkov A. Transgenerators. ACM International Conference Proceeding Series. 2020. pp. 3446417.
  • Efimova V., Shalamov V., Filchenkov A. Synthetic Dataset Generation for Text Recognition with Generative Adversarial Networks. Proceedings of SPIE. 2020. Vol. 11433. pp. 1143315.
  • Muravyov S., Filchenkov A. A Cloud-based Network of 3D Objects for Robust Grasp Planning. ACM International Conference Proceeding Series. 2020. pp. 99-105.
  • Khanzhina N., Slepkova N.D., Filchenkov A. Synthetic images generation for text detection and recognition in the wild. Proceedings of SPIE. 2020. Vol. 11433. pp. 1143312.
  • Viuginov N., Grachev P., Filchenkov A. A Machine Learning Based Plagiarism Detection In Source Code. ACM International Conference Proceeding Series. 2020. pp. 3446420.
  • Kochetov K., Filchenkov A. Generative Adversarial Networks for Respiratory Sound Augmentation. ACM International Conference Proceeding Series. 2020. pp. 106-111.
  • Muravyov S., Antipov D., Buzdalova A., Filchenkov A. Efficient Computation Of Fitness Function For Evolutionary Clustering. Mendel. 2019. Vol. 25. No. 1. pp. 87-94.
  • Oreshin S., Filchenkov A., Petrusha P., Krasheninnikov E., Panfilov A., Glukhov I., Kaliberda Y., Masalskiy D., Serdyukov A., Kazakovtsev V.L., Khlopotov M., Podolenchuk T., Smetannikov I., Kozlova D. Implementing a Machine Learning Approach to Predicting Students' Academic Outcomes. ACM International Conference Proceeding Series. 2020. pp. 78-83.