Представление, обнаружение и обработка знаний: логический подход

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 17-11-01294

НазваниеПредставление, обнаружение и обработка знаний: логический подход

Руководитель Кузнецов Сергей Олегович, Доктор физико-математических наук

Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет "Высшая школа экономики" , г Москва

Конкурс №18 - Конкурс 2017 года «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами»

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах; 01-201 - Искусственный интеллект и принятие решений

Ключевые слова представление знаний, обнаружение знаний, логические методы, доступ к данным посредством онтологий, вычислительная сложность, временные логики, дескриптивне логики, формальные языки, коллаборативное построение онтологий, анализ формальных понятий

Код ГРНТИ16.31.21, 20.53.19, 27.03.19

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Объем неполных, неструктурированных и разнородных данных растет невиданно быстрыми темпами. Пользователи в промышленности, науке, здравоохранении и многих других областях нуждаются в новых эффективных средствах доступа к таким данным, а также средствах их анализа, обработки и использования. Наш проект нацелен на создание эффективных формально-логических и алгоритмических средств для представления, обнаружения и обработки данных и знаний и внесет вклад в разработку нового поколения мощных и гибких информационных систем. Доступ к данным посредством онтологий (сокращенно ОДД) — это новая парадигма организации доступа к данным различного типа, которая разрабатывается примерно с середины 2000-х годов и объединяет специалистов в областях представления знаний, искусственного интеллекта, баз данных и семантических технологий. Специализированные (предметно-ориентированные) онтологии важны в самых разных прикладных областях: в программной инженерии, в медицине, промышленности и социологии. Многие исследователи и практики считают ОДД ключевой составляющей частью информационных систем нового поколения. Первой общей целью данного проекта является разработка и исследование достаточно выразительных и тем не менее вычислительно эффективных языков онтологий и запросов для доступа к данным, базирующегося на переписывании (сведении) онтологических запросов в стандартные запросы SQL или SPARQL над исходными данными. Главным отличием от существующего подхода к ОДД с помощью языка OWL 2 QL, предлагаемого W3C, является перенос фокуса с языка онтологий (который должен работать для всех мыслимых запросов и данных) на классы онтологических запросов, т.е. пар (онтология, запрос). Тем самым мы дадим возможность использовать онтологии в более выразительных языках, чем OWL 2 QL, вместе с практически полезными запросами. Мы также расширим область применения парадигмы ОДД на временные данные, в том числе потоковые данные с сенсоров, измеряющих всевозможные параметры, такие как температура, скорость, влажность и т. п. Наши исследования будут основаны на изучении примитивов, используемых в онтологиях и запросах конечных пользователей в нефтяных и газовых компаниях (таких как Статойл и Сименс). Мы получим как теоретические результаты о вычислительной сложности нахождения ответов на онтологические запросы, так и практически эффективные алгоритмы. Разработанные методы и технологии будут реализованы в рамках ОДД-платформы Ontop (http://ontop.inf.unibz.it), находящейся в открытом доступе. Наличие удобного и выразительного языка описания онтологий само по себе не делает процесс построения онтологии простым и очевидным, в том числе и потому, что онтологии должны быть основаны на знаниях экспертов предметной области, как правило, не являющихся специалистами в области формальных методов представления знаний. Необходимо развивать эффективные автоматизированные методы приобретения и обнаружения знаний, которые могли бы быть использованы при построении онтологий. Поэтому одной из целей нашего проекта является развитие методологии распределенного построения онтологий на основе (дополняющих друг друга, а, возможно, и конфликтующих) знаний группы экспертов и разработка эффективных алгоритмов, поддерживающих данную методологию. Отличительная черта предлагаемого подхода – использование формально-логических методов «понятийного исследования», разрабатываемых в рамках анализа формальных понятий, и методов машинного обучения с запросами («обучения по Англуин»), которые позволяют организовать процесс построения онтологий с помощью автоматического выявления аспектов предметной области, не охваченных онтологией в ее текущем состоянии. В рамках проекта будут исследованы теоретические, алгоритмические и практические задачи, решение которых необходимо для создания удобного инструментария на основе рассматриваемых методов в расчете на конкретные языки описания онтологий, используемые в проекте. Знания о предметной области, необходимые для построения онтологий, могут быть получены из прямого диалога с экспертами или же из текстовых источников: научных статей, патентов, аналитических отчетов и проч. Последнее требует наличия эффективных алгоритмических средств, позволяющих извлекать смысл из коллекций текстов в виде некоторой формализованной семантической интерпретации, представленной в человеко-читаемом и машинно-читаемом виде. В проекте предполагается исследовать некоторые формальные лингвистические модели синтаксического и семантического анализа текстов (в частности, исчисление Ламбека, соответствующую ему некоммутативную линейную логику, ее расширения и фрагменты) и их вычислительные свойства.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Бузмаков А.В., Кузнецов С.О., Наполи А. Efficient Mining of Subsample-Stable Graph Patterns IEEE. New York, USA, Buzmakov A. V., Kuznetsov S. O., Napoli A. Efficient Mining of Subsample-Stable Graph Patterns, in: 2017 IEEE 17th International Conference on Data Mining (ICDM). New Orleans : IEEE, 2017. (год публикации - 2017)

2. Махалова Т., Нурин Л. An Incremental Algorithm for Computing n-concepts CEUR Workshop Proceedings, Achen (год публикации - 2017)

3. Макаров И., Савостьянов Д., Литвяков Б., Игнатов Д.И. Predicting Winning Team and Probabilistic Ratings in "Dota 2" and "Counter-Strike: Global Offensive" Video Games Springer, Berlin, Makarov I. et al. Predicting Winning Team and Probabilistic Ratings in Dota 2 and Counter-Strike: Global Offensive Video Games, in Proceedings of 6th IC AIST, Moscow, Russia, July 27-29, 2017, Lecture Notes in Computer Science. Springer, 2017. P. 1-12. (год публикации - 2018)
10.1007/978-3-319-73013-4_17

4. Рихова Е., Махалова Т. On Evaluating of Fuzzy Clustering Results Online Conference Proceedings. Prague, Czech Republic, E. Rihova, T. Makhalova. On Evaluating of Fuzzy Clustering Results, in Proceedings of the 11th International Days of Statistics and Economics, Prague, September 14-16, 2017, Online Conference Proceedings, 2017, 12p. (год публикации - 2017)

5. Макаров И., Кашин А., Кориневская А. Learning to Play Pong Video Game via Deep Reinforcement Learning CEUR Worksop Proceedings, Achen, Ilya Makarov et al. Learning to Play Pong Video Game via Deep Reinforcement Learning: Tweaking Deep Q-Networks versus Episodic Control, in: Supplementary Proceedings of the 6th IC on AIST, Moscow, Russia, July 27-29, 2017. P. 1-6. (год публикации - 2017)

6. Рыжова Д., Объедков С. Formal Concept Lattices as Semantic Maps CEUR workshop Proceedings, Achen, Darya Ryzhova and Sergei Obiedkov. Formal Concept Lattices as Semantic Maps, in: Workshop "Computational linguistics and language science" / Ed. by E. L. Chernyak. Aachen : CEUR Workshop Proceedings, 2017. P. 1-4. (год публикации - 2017)

7. Макаров И., Буланов О., Герасимова О., Мещерякова Н., Жуков Л.Е., Карпов И. Scientific Matchmaker: Collaborator Recommender System Springer, Berlin, Makarov I. et al. Scientific Matchmaker: Collaborator Recommender System, in: Proceedings of 6th IC AIST, Moscow, Russia, July 27-79, 2017, Lecture Notes in Computer Science, Springer, 2017. P. 1-12. (год публикации - 2017)
10.1007/978-3-319-73013-4_37

8. Канович М., Кузнецов Ст., Щедров А. Undecidability of the Lambek Calculus with Subexponential and Bracket Modalities Springer, Berlin, Kanovich M., Scedrov A., Kuznetsov S. Undecidability of the Lambek Calculus with Subexponential and Bracket Modalities, in: 21st International Symposium, Fundamentals of Computation Theory 2017, FCT 2017. Springer Berlin Heidelberg, 2017. (год публикации - 2017)
10.1007/978-3-662-55751-8

9. Герасимова О., Кикот С., Подольский В., Захарьящев М. More on the Data Complexity of Answering Ontology-Mediated Queries with a Covering Axiom Communications in Computer and Information Science, Springer, Cham, O. Gerasimova et al. (2017) More on the Data Complexity of Answering Ontology-Mediated Queries with a Covering Axiom. In: Knowledge Engineering and Semantic Web. KESW 2017. Communications in Computer and Information Science, vol XXX. Springer, Cham (год публикации - 2017)
10.1007/978-3-319-69548-8_11

10. Макаров И., Алиев В., Герасимова О., Поляков П. Depth Map Interpolation using Perceptual Loss IEEE. New York, USA, Makarov I., Vladimir Aliev, Gerasimova Olga, Pavel Polyakov. Depth Map Interpolation using Perceptual Loss, in: Adjunct Proceedings of 2017 IEEE International Symposium on Mixed and Augmented Reality. NY : IEEE, 2017. P. 1-2. (год публикации - 2017)
10.1109/ISMAR-Adjunct.2017.39

11. Бэльфодил А., Кузнецов С.О., Робардэ С., Кайту М. Mining Convex Polygon Patterns with Formal Concept Analysis AAAI. Palo Alto, USA, Aimene Belfodil, Sergei O. Kuznetsov, et al. Mining Convex Polygon Patterns with Formal Concept Analysis, in Proceedings of the 26th International Joint Conference on Artificial Intelligence, Melbourne, Australia, August 19-25, 2017, pages 1425-1432 (год публикации - 2017)
10.24963/ijcai.2017/197

12. Канович М., Кузнецов Ст., Морилл Г., Щедров А. A Polynomial-Time Algorithm for the Lambek Calculus with Brackets of Bounded Order LIPI, Leibnitz, Kanovich M., Kuznetsov S., Scedrov A., Morrill G. A Polynomial-Time Algorithm for the Lambek Calculus with Brackets of Bounded Order, in: Proceedings of the 2nd IC on FSCD, Oxford, UK, September 3-9, 2017, Vol. 84, 16p. (год публикации - 2017)
10.4230/LIPIcs.FSCD.2017.22

13. Галицкий Б., Ильвовский Д. On a Chat Bot Finding Answers with Optimal Rhetoric Representation Incoma. Shoumen, Bulgaria, Boris Galtsky and Dmitry Ilvovsky. On a Chat Bot Finding Answers with Optimal Rhetoric Representation, in Proceedings of RANLP 2017, Varna, Bulgaria, September 2-8, 2017, 6p. (год публикации - 2017)
10.26615/978-954-452-049-6_035

14. Макаров И., Фроленкова А., Белов И. Quantum Logic and Natural Language Processing CEUR Workshop Proceedings, Ilya Makarov, Anastasia Frolenkova, Ivan Belov. Quantum Logic and Natural Language Processing, in: Workshop "Computational linguistics and language science" / Ed. by E. L. Chernyak. Aachen : CEUR Workshop Proceedings, 2017. P. 1-4. (год публикации - 2017)

15. Герасимова О., Кикот С., Подольский В., Захарьящев М. On the Data Complexity of Ontology-Mediated Queries with a Covering Axiom CEUR Workshop Proceedings, Achen, Olga Gerasimova et al. On the Data Complexity of Ontology-Mediated Queries with a Covering Axiom, in: Proceedings of the 30th IW on DL, Montpellier, France, July 18-21, 2017. Aachen : CEUR Workshop Proceedings, 2017. Ch. 19. P. 1-12. (год публикации - 2017)

16. Тагиев Р., Игнатов Д. Behavior Mining in h-index Ranking Game CEUR Workshop Proceedings, Achen, Rustam Tagiew and Dmitri Ignatov. Behavior Mining in h-index Ranking Game, in: Proceedings of the 3rd Workshop on EEML, Dresden, Germany, September 17-18, 2017. Aachen : CEUR Workshop Proceedings, 2017. P. 1-13. (год публикации - 2017)

17. Макаров И., Алиев В., Герасимова О. Semi-Dense Depth Interpolation using Deep Convolutional Neural Networks ACM DL. New York, USA, Ilya Makarov, Vladimir Aliev, Olga Gerasimova. Semi-Dense Depth Interpolation using Deep Convolutional Neural Networks, in: Proceedings of the 25th ACM international conference on Multimedia (ACM MM'17), Mountain View, CA USA, 23-27 October, 2017. P. 1-9 (год публикации - 2017)
10.1145/3123266.3123360

Публикации

1. Игнатов Д.И., Курситыс В.Д. Understanding Collaborative Filtering with Galois Connections Ceur WP, CEUR WP, Volume 2149, 2018, Pages 127-143 (год публикации - 2018)

2. Махалова Т.П., Кузнецов С.О., Наполи А. A First Study on What MDL Can Do for FCA Ceur WP, Volume 2123 (CLA2018), 2018, Pages 25-36 (год публикации - 2018)

3. Канович М.И., Кузнецов С.Л., Нигам В., Щедров А.О. A Logical Framework with Commutative and Non-commutative Subexponentials Springer, In: Galmiche D., Schulz S., Sebastiani R. (eds) Automated Reasoning. IJCAR 2018. Springer Lecture Notes in Computer Science, vol 10900, pp. 228-245, Springer, 2018 (год публикации - 2018)
10.1007/978-3-319-94205-6_16

4. Канович М.И., Кузнецов С.Л., Нигам В., Щедров А.О. Subexponentials in non-commutative linear logic Mathematical Structures in Computer Science, Published online: 02 May 2018 (год публикации - 2018)
10.1017/S0960129518000117

5. Галицкий Б., Ильвовский Д.А., Кузнецов С.О. Detecting logical argumentation in text via communicative discourse tree Journal of Experimental and Theoretical Artificial Intelligence, Journal of Experimental & Theoretical Artificial Intelligence, 30:5, 637-663, Published online: 18 May 2018 (год публикации - 2018)
10.1080/0952813X.2018.1467492

6. Кузнецов С.О., Махалова Т.П. On interestingness measures of formal concepts Information Sciences, Volumes 442–443, May 2018, Pages 202-219 (год публикации - 2018)
10.1016/j.ins.2018.02.032

7. Махалова Т.П. What can Pareto optimality do for clustering? Пермский государственный национальный исследовательский университет, Искусственный интеллект в решении актуальных социальных и экономических проблем ХХI века: сб. ст. по материалам Третьей всерос. науч.-практ. конф. (г. Пермь, 14–18 мая 2018 г.) / Перм. гос. нац. исслед. ун-т. – Пермь, 2018 – с. 281-285 (год публикации - 2018)

8. Калайци Е.Г., Брандт С., Кальванезе Д., Рыжиков В., Ксяо Г., Захарьящев М.В. Ontology-Based Access to Temporal Data With Ontop: A Framework Proposal International Journal of Applied Mathematics and Computer Science, International Journal of Applied Mathematics and Computer Science (AMCS), Vol. 29, No. 1, 2019 (год публикации - 2019)

9. Фейгина А.Г., Игнатов Д.И., Макаров И.А. Realistic Post-processing of Rendered 3D Scenes ACM Digital Library, In ACM SIGGRAPH 2018 Posters (SIGGRAPH '18). ACM, New York, NY, USA, Article 42, 2 pages. (год публикации - 2018)
10.1145/3230744.3230764

10. Герасимова О.А., Кикот С.П., Захарьящев М.В. Towards a Data Complexity Classification of Ontology-Mediated Queries with Covering Ceur WP, CEUR WP, Volume 2211, 2018, Pages 1-13 (год публикации - 2018)

11. Борчманн Д., Ханика Т., Объедков С.А. Probably approximately correct learning of Horn envelopes from queries Journal of Discrete Applied Mathematics (год публикации - 2019)

12. Краснов Ф.В., Макаров И.А. Predicting co-author relationship for science and technology center of Gazpromneft based on the graph modeling The Eurasian Scientific Journal, The Eurasian Scientific Journal, [online] 1(10). Available at: https://esj.today/PDF/08ITVN118.pdf (in Russian) (год публикации - 2018)

13. Макаров И.А., Герасимова О.А., Сулимов П.А., Коровина К.А., Жуков Л.Е. Joint Node-Edge Network Embedding for Link Prediction Springer LNCS, Volume 11179, pages 1-12 (год публикации - 2019)

14. Макаров И.А., Герасимова О.А., Сулимов П.А., Жуков Л.Е. Co-authorship Network Embedding and Recommending Collaborators via Network Embedding Springer LNCS, Volume 11179, pages 1-6 (год публикации - 2019)

15. Кориневская А., Макаров И.А. Fast Depth Map Super-Resolution using Deep Neural Network IEEE Xplore, Adjunct Proceedings of the IEEE International Symposium for Mixed and Augmented Reality 2018 (To appear) (год публикации - 2018)

16. Андреева Е.Е., Игнатов Д.И., Грачев А.М., Савченко А.В. Extraction of Visual Features for Recommendation of Products via Deep Learning Springer LNCS, Volume 11179, pages 1-10 (год публикации - 2019)

Публикации

1. Галицкий Б., Ильвовский Д., Писаревская Д. Argumentation in Text: Discourse Structure Matters NLPC, Proceedings of CICLing 2018, Natural Language Processing Center, paper 15, pages 1-13 (год публикации - 2019)

2. Галицкий Б., Ильвовский Д. Discourse-Based Approach to Involvement of Background Knowledge for Question Answering ACL Proceedings, Proceedings of Recent Advances in Natural Language Processing, pages 373–381, Varna, Bulgaria, Sep 2–4 2019, pages 373-381 (год публикации - 2019)

3. Игнатов Д.И., Точилкин Д., Егурнов Д. Multimodal Clustering of Boolean Tensors on MapReduce: Experiments Revisited Ceuw-WS, Supplementary Proceedings of ICFCA 2019 Conference and Workshops Frankfurt, Workshop "Formal Concept Analysis in the Big Data Era", Germany, June 25-28, 2019, http://ceur-ws.org/Vol-2378/, pages 137-151 (год публикации - 2019)

4. Егурнов Д., Игнатов Д.И. Triclustering Toolbox Ceur-WS, Supplementary Proceedings of ICFCA 2019 Conference and Workshops Frankfurt, Workshop "Applications and Tools of Formal Concept Analysis", Germany, June 25-28, 2019, http://ceur-ws.org/Vol-2378/, pages 65-69 (год публикации - 2019)

5. Махалова Т., Кузнецов С.О., Наполи А. Numerical Pattern Mining Through Compression IEEE, Makhalova, T., Kuznetsov, S. O., & Napoli, A. (2019, March). Numerical Pattern Mining Through Compression. In 2019 Data Compression Conference (DCC) (pp. 112-121). Core A* conference (год публикации - 2019)
10.1109/DCC.2019.00019

6. Галицкий Б., Ильвовский Д. Two Discourse Tree - Based Approaches to Indexing Answers ACL Proceedings, Proceedings of Recent Advances in Natural Language Processing, pages 373–381, Varna, Bulgaria, Sep 2–4 2019, pages 373-381 (год публикации - 2019)

7. Киселев Д., Макаров И. Prediction of New Itinerary Markets for Airlines via Network Embedding Springer: CCIS, Springer: Communications in Computer and Information Science, Volume 1086 (год публикации - 2019)

8. Макаров И., Вельдяйкин Н., Чертков М., Покоев А. American and Russian Sign Language Dactyl Recognition and Text2Sign Translation Springer: LNCS, Springer: Lecture Notes in Computer Science, Volume 11832 (год публикации - 2019)

9. Камальдинов И., Макаров И. Deep Reinforcement Learning Methods in Match-3 Game Springer: LNCS, Springer: Lecture Notes in Computer Science, Volume 11832 (год публикации - 2019)

10. Камальдинов И., Макаров И. Deep Reinforcement Learning in Match-3 Game IEEE, Kamaldinov, I., & Makarov, I. (2019, August). Deep Reinforcement Learning in Match-3 Game. In 2019 IEEE Conference on Games (CoG) (pp. 1-4). IEEE. (год публикации - 2019)
10.1109/CIG.2019.8848003

11. Акимов Д., Макаров И. Deep Reinforcement Learning with VizDoom First-Person Shooter Ceur-WS, CEUR Workshop Proceedings,Volume 2479 (год публикации - 2019)

12. Зольников П., Зубов М., Никитинский Н., Макаров И. Efficient Algorithms for Constructing Multiplex Networks Embedding Ceur-WS, CEUR Workshop Proceedings,Volume 2479 (год публикации - 2019)

13. Ломов И., Макаров И. Generative Models for Fashion Industry using Deep Neural Networks IEEE, Lomov, I., & Makarov, I. (2019, May). Generative Models for Fashion Industry using Deep Neural Networks. In 2019 2nd International Conference on Computer Applications & Information Security (ICCAIS) (pp. 1-6). IEEE. (год публикации - 2019)
10.1109/CAIS.2019.8769486

14. Макаров И. Russian Freight Flights Time Prediction IEEE, Makarov, I. (2019, May). Russian Freight Flights Time Prediction. In 2019 2nd International Conference on Computer Applications & Information Security (ICCAIS) (pp. 1-5). IEEE. (год публикации - 2019)
10.1109/CAIS.2019.8769522

15. Акимов Д., Макаров И. Deep Reinforcement Learning in VizDoom First-Person Shooter for Health Gathering Scenario IARIA: ThinkMind, Dmitry Akimov, Makarov I. Deep Reinforcement Learning in VizDoom First-Person Shooter for Health Gathering Scenario, in: Proceedings of 11th International Conference on Advances in Multimedia (MMEDIA'19). Lansing : ThinkMind, 2019. P. 59-64. (год публикации - 2019)

16. Ананьева А., Макаров И., Пендюхов М. GSM: Inductive Learning on Dynamic Graph Embeddings Springer: Proceedings in Mathematics & Statistics, In Book of "Network Algorithms, Data Mining, and Applications" in the series Springer Proceedings in Mathematics & Statistics, pages 1-15 (год публикации - 2019)

17. Аверченкова А., Акхметзянова А., Судариков К., Петров С., Макаров И., Пендюхов М., Жуков Л.Е. Collaborator Recommender System Springer: Proceedings in Mathematics & Statistics, In Book of "Network Algorithms, Data Mining, and Applications" in the series Springer Proceedings in Mathematics & Statistics, pages 1-19 (год публикации - 2019)

18. Макаров И., Вельдяйкин Н., Чертков М., Покоев А. Russian Sign Language Dactyl Recognition IEEE, Makarov, I., Veldyaykin, N., Chertkov, M., & Pokoev, A. (2019, July). Russian Sign Language Dactyl Recognition. In 2019 42nd International Conference on Telecommunications and Signal Processing (TSP) (pp. 726-729). IEEE. (год публикации - 2019)
10.1109/TSP.2019.8768868

19. Макаров И., Герасимова О. Predicting Collaborations in Co-authorship Network IEEE, I. Makarov and O. Gerasimova, "Predicting Collaborations in Co-authorship Network," 2019 14th International Workshop on Semantic and Social Media Adaptation and Personalization (SMAP), Larnaca, Cyprus, 2019, pp. 1-6. (год публикации - 2019)
10.1109/SMAP.2019.8864887

20. Макаров И., Вельдяйкин Н., Чертков М., Покоев А. American and Russian Sign Language Dactyl Recognition ACM, American and russian sign language dactyl recognition. In Proceedings of the 12th ACM International Conference on PErvasive Technologies Related to Assistive Environments (pp. 204-210). ACM. (год публикации - 2019)
10.1145/3316782.3316786

21. Макаров И., Герасимова О. Link Prediction Regression for Weighted Co-authorship Networks Springer: Advances in Computational Intelligence, Link Prediction Regression for Weighted Co-authorship Networks. In International Work-Conference on Artificial Neural Networks (pp. 667-677). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-20518-8_55

22. Макаров И., Маслов Д., Герасимова О., Алиев В., Кориневская А., Шарма У., Ванг Х. On Reproducing Semi-dense Depth Map Reconstruction using Deep Convolutional Neural Networks with Perceptual Loss ACM, On Reproducing Semi-dense Depth Map Reconstruction using Deep Convolutional Neural Networks with Perceptual Loss. In Proceedings of the 27th ACM International Conference on Multimedia (pp. 1080-1084). Core A* conference, main track (год публикации - 2019)
10.1145/3343031.3351167

23. Макаров И., Герасимова О., Сулимов П., Жуков Л.Е. Dual network embedding for representing research interests in the link prediction problem on co-authorship networks PeerJ Computer Science, Makarov, I., Gerasimova, O., Sulimov, P., & Zhukov, L. E. (2019). Dual network embedding for representing research interests in the link prediction problem on co-authorship networks. PeerJ Computer Science, 5, e172. (год публикации - 2019)
10.7717/peerj-cs.172

24. Объедков С., Серткая Б., Золотухин Д. Probably Approximately Correct Completion of Description Logic Knowledge Bases Ceur-WS, CEUR Workshop Proceedings,Volume 2373 (год публикации - 2019)

25. Махалова Т., Трнека М. A Study of Boolean Matrix Factorization Under Supervised Settings Springer: LNCS, Makhalova, T., & Trnecka, M. (2019, June). A Study of Boolean Matrix Factorization Under Supervised Settings. In International Conference on Formal Concept Analysis (pp. 341-348). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-21462-3_24

26. Махалова Т., Ильвовский Д., Галицкий Б. Information Retrieval Chatbots Based on Conceptual Models Springer: LNCS, Makhalova, T., Ilvovsky, D., & Galitsky, B. (2019, July). Information Retrieval Chatbots Based on Conceptual Models. In International Conference on Conceptual Structures (pp. 230-238). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-23182-8_17

27. Махалова Т., Кузнецов С.О., Наполи А. On Coupling FCA and MDL in Pattern Mining Springer: LNCS, Makhalova, T., Kuznetsov, S. O., & Napoli, A. (2019, June). On Coupling FCA and MDL in Pattern Mining. In International Conference on Formal Concept Analysis (pp. 332-340). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-21462-3_23

28. Объедков С. Learning Implications from Data and from Queries Springer: LNCS, Obiedkov, S. (2019, June). Learning Implications from Data and from Queries. In International Conference on Formal Concept Analysis (pp. 32-44). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-21462-3_3

29. Канович М., Кузнецов С., Щедров А. The Complexity of Multiplicative-Additive Lambek Calculus: 25 Years Later Springer: LNCS, Kanovich, M., Kuznetsov, S., & Scedrov, A. (2019, July). The complexity of multiplicative-additive Lambek calculus: 25 years later. In International Workshop on Logic, Language, Information, and Computation (pp. 356-372). Springer, Berlin, Heidelberg. (год публикации - 2019)
10.1007/978-3-662-59533-6_22

30. Канович М., Кузнецов С., Щедров А. L-models and R-models for Lambek Calculus Enriched with Additives and the Multiplicative Unit Springer: LNCS, L-Models and R-Models for Lambek Calculus Enriched with Additives and the Multiplicative Unit. In International Workshop on Logic, Language, Information, and Computation (pp. 373-391). Springer, Berlin, Heidelberg. (год публикации - 2019)
10.1007/978-3-662-59533-6_23

31. Канович М., Кузнецов С., Щедров А. Undecidability of a Newly Proposed Calculus for CatLog3 Springer: LNCS, Undecidability of a Newly Proposed Calculus for CatLog3. In International Conference on Formal Grammar (pp. 67-83). Springer, Berlin, Heidelberg. (год публикации - 2019)
10.1007/978-3-662-59648-7_5

32. Герасимова О., Кикот С., Захарьящев М. Checking the Data Complexity of Ontology-Mediated Queries: A Case Study with Non-uniform CSPs and Polyanna Springer: LNCS, Gerasimova, O., Kikot, S., & Zakharyaschev, M. (2019). Checking the Data Complexity of Ontology-Mediated Queries: A Case Study with Non-uniform CSPs and Polyanna. In Description Logic, Theory Combination, and All That (pp. 329-351). Springer, Cham. (год публикации - 2019)
10.1007/978-3-030-22102-7_15

33. Брандт С., Калванезе Д., Калайци Э.Г., Кончаков Р., Мёрцингер Б., Рыжиков В., Сяо Г., Захарьящев М. Two-Dimensional Rule Language for Querying Sensor Log Data: A Framework and Use Cases DROPS: Leibniz International Proceedings in Informatics (LIPIcs), Two-Dimensional Rule Language for Querying Sensor Log Data: A Framework and Use Cases. In 26th International Symposium on Temporal Representation and Reasoning (TIME 2019). Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik. (год публикации - 2019)
10.4230/LIPIcs.TIME.2019.7

34. Игнатов Д.И., Спесивцев П., Курганский Д., Врабие И., Елизаров С., Зюзин В. Multilabel Classification for Inflow Profile Monitoring Ceur-WS, Multilabel classification for inflow profile monitoring. MACSPro’2019, Vienna, 21-23., CEUR Workshop Proceedings,Volume 2478, pages 1-8 (год публикации - 2019)

35. Муратова А., Ислам Р., Митрофанова Е., Игнатов Д.И. Searching for Interpretable Demographic Patterns Ceur-WS, CEUR Workshop Proceedings,Volume 2479 (год публикации - 2019)