Андрей Лаврентьев

Андрей Лаврентьев

Руководитель Отдела развития технологий

Кандидат физико-математических наук

Область интересов: технологии противодействия атакам на киберфизические системы, интеллектуальный анализ многомерных временных рядов, машинное обучение, глубокие нейронные сети, импульсные нейронные сети, нейросемантические сети.

  1. D. Shalyga, P. Filonov and A. Lavrentyev, «Anomaly Detection for Water Treatment System based on Neural Network with Automatic Architecture Optimization», arXiv.org, 2018. [Online]. Available: https://arxiv.org/abs/1807.07282. [Accessed: 28- Feb- 2020].
  2. P. Filonov, F. Kitashov and A. Lavrentyev, «RNN-based Early Cyber-Attack Detection for the Tennessee Eastman Process», arXiv.org, 2017. [Online]. Available: https://arxiv.org/abs/1709.02232. [Accessed: 28- Feb- 2020].
  3. P. Filonov, A. Lavrentyev and A. Vorontsov, «Multivariate Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using an LSTM-based Predictive Data Model», arXiv.org, 2016. [Online]. Available: http://arxiv.org/abs/1612.06676. [Accessed: 28- Feb- 2020].
  4. A. Lavrentyev, «MLAD: Machine Learning for Anomaly Detection», Kaspersky ICS CERT, 2018. [Online]. Available: https://ics-cert.kaspersky.com/reports/2018/01/16/mlad-machine-learning-for-anomaly-detection. [Accessed: 28- Feb- 2020].
  5. A. Lavrentyev, «Neurosemantic approach and free energy minimization principle», in The sixth international conference on cognitive science, Kaliningrad, 2014, pp. 68-70.
  6. A. Lavrentyev, «Dynamical processes inside neurosemantic hypernetwork and brain work principals», in XI International interdisciplinary congress Neuroscience for medicine and psychology, Sudak, 2015, pp. 241-242.
  7. Kaspersky, CoLaboratory: Industrial Cybersecurity Meetup #3. 2017. [Online]. Available: https://youtu.be/CufKpjweoCs?t=4297. [Accessed: 28-Feb-2020].

Артем Воронцов

Артем Воронцов

Математик

Кандидат физико-математических наук

Область интересов: обучение с подкреплением, самообучающиеся системы управления, оптика атмосферы, теория приближений.

  1. A.M. Vorontsov, G.A. Filimonov, “The self-learning AI controller for adaptive power beaming with fiber-array laser transmitter system”, ArXiv Preprint, 2022, https://arxiv.org/abs/2204.05227.
  2. A.M. Vorontsov, M.A. Vorontsov, G.A. Filimonov and E. Polnau, “Atmospheric turbulence study with deep machine learning of intensity scintillation patterns”, Appl. Sci. v.10, p. 8136. 2020. doi:10.3390/app10228136.
  3. P.V. Filonov, A.B. Lavrentyev and A.M. Vorontsov, “Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using the LSTM-based Predictive Data Model”, NIPS 2016, Barcelona.
  4. G.A. Filimonov, V.V. Kolosov, A.M. Vorontsov, “Computationally efficient methods for simulating laser heating of bulk plates”, Atmos. Ocean Opt. v.34. p. 617-624. 2021. https://doi.org/10.1134/S1024856021060087.
  5. P.V. Paramonov, A.M. Vorontsov, and V.E. Kunitsyn, “A three-dimensional refractive index model for simulation of optical wave propagation in atmospheric turbulence”, Waves in Random and Complex Media, v.25, No. 4, p. 556-575, 2015.
  6. A.M. Vorontsov, P.V. Paramonov, M. Valley and M.A. Vorontsov, «Generation of infinitely-long phase screens for modeling of optical wave propagation in atmospheric turbulence», Waves in Random and Complex Media, v. Click to view volume18, Issue 1, p. 91 – 108, 2008.
  7. V.E. Kunitsyn, B.Yu. Krysanov and A.M. Vorontsov, “Acoustic-gravity waves in the Earth’s atmosphere generated by surface sources”, Moscow University Physics Bulletin, v.15. No 6, p. 541-546, 2015.
  8. V.E. Kunitsyn and A.M. Vorontsov, “Modeling the ionospheric propagation of acoustic gravity waves from the Tohoku tsunami of 2011”, Moscow University Physics Bulletin, v. 69, No. 3, p. 263-269, 2014.
  9. A.M. Vorontsov, «Joint Approximations of Distributions in Banach Spaces», Mathematical Notes, v. 73, No. 2, p. 179-194, 2003.
  10. A.M. Vorontsov, «Estimates of -Capacity of Compact Sets in «, Mathematical Notes, v. 75, No. 6, p. 751-764, 2004.

Михаил Киселев

Михаил Киселев

Исследователь данных

Кандидат технических наук

Область интересов: импульсные нейронные сети, нейрокомпьютеры.

  1. M. Kiselev, A. Lavrentyev, A Preprocessing Layer in Spiking Neural Networks – Structure, Parameters, Performance Criteria. Budapest: proceedings of IJCNN-2019, paper N-19450, 2019.
  2. M. V. Kiselev, A General Purpose Algorithm for Coding/Decoding Continuous Signal to Spike Form. Moscow: proceedings of International Conference on Neuroinformatics in Studies in Computational Intelligence, vol. 799, B. Kryzhanovsky, W. Dunin-Barkowski, V. Redko, Yu. Tiumentsev (Eds.), 2018, pp. 184-189.
  3. M. V. Kiselev, A Synaptic Plasticity Rule Providing a Unified Approach to Supervised and Unsupervised Learning. Anchorage: proceedings of IJCNN-2017, 2017, pp. 3806-3813.
  4. M. V. Kiselev, Rate Coding vs. Temporal Coding – Is Optimum Between? Vancouver: proceedings of IJCNN-2016, 2016, pp. 1355-1359.
  5. M. V. Kiselev, Conversion from Rate Code to Temporal Code – Crucial Role of Inhibition. St. Petersburg: proceedings of ISNN-2016 in LNCS 9719, L. Cheng, Q. Liu, A. Rozhnin (Eds.), St. Petersburg, 2016, pp. 665-672.
  6. Киселев М. В.: Асинхронно-полихронный метод кодирования информации в импульсных нейронных сетях, Труды конференции «Нейроинформатика-2016», Москва, ч. 3, стр. 11-21.
  7. Киселев М. В.: Применение эмпирических моделей для построения импульсных нейронных сетей с заданными свойствами, Труды конференции «Нейроинформатика-2015», Москва, ч. 3, стр. 126-136.
  8. Киселев М. В.: Компьютерное моделирование импульсных нейронных сетей, Лекции по нейроинформатике конференции «Нейроинформатика-2015», Москва, стр. 85-122.
  9. M. V. Kiselev, Empirical Models as a Basis for Synthesis of Large Spiking Neural Networks with Pre-specified Properties. Rome: proceedings of Conference on Neural Computation Theory and Applications (NCTA-14), 2014, pp. 264-269.
  10. M. V. Kiselev, Input-Output Characteristics of LIF Neuron with Dynamic Threshold and Short Term Synaptic Depression. Vienna: proceedings of ANNIIP 2014, K. Madani (Ed.), pp. 11-18.
  11. M. V. Kiselev, Homogenous Chaotic Network Serving as a Rate/Population Code to Temporal Code Converter. Computational Intelligence and Neuroscience, vol. 2014, Article ID 476580, 2014, 8 pages. doi:10.1155/2014/476580
  12. Киселев М. В.: Однородная хаотичная нейронная сеть как преобразователь из асинхронной в синхронную форму кодирования сигнала, Труды конференции «Нейроинформатика-2014», Москва, ч. 1, стр. 59-69.
  13. M. V. Kiselev, Self-Organization Process in Large Spiking Neural Networks Leading to Formation of Working Memory Mechanism. Proceedings of IWANN 2013 in LNCS 7902, I. Rojas, G. Joya, and J. Rojas, G. Joya, and J. Cabestany (Eds.), Part I, pp. 510-517.
  14. Киселев М. В.: Формирование полихронных групп нейронов – носителей кратковременной памяти в результате эволюции больших импульсных нейронных сетей, Труды конференции «Нейроинформатика-2013», Москва, ч. 1, стр. 82-91.
  15. M. V. Kiselev, Self-organized Short-Term Memory Mechanism in Spiking Neural Network. Ljubljana: proceedings of ICANNGA 2011 Part I, pp. 120-129.
  16. Киселев М. В.: Формирование механизма кратковременной памяти в импульсных нейронных сетях, Труды конференции «Нейроинформатика-2011», Москва, ч. 1, стр. 269-278.
  17. M. V. Kiselev, Self-organized Spiking Neural Network Recognizing Phase/Frequency Correlations. Atlanta, Georgia: proceedings of IJCNN’2009, pp. 1633-1639.
  18. Киселев М. В.: Однослойная самоорганизующаяся сеть импульсных нейронов, распознающая нечеткую синхронию во входном сигнале, «Нейрокомпьютер», №10, 2009, стр. 3-11.
  19. Киселев М. В., Шмулевич М. М., Эрлих А. И.: Метод автоматической кластеризации текстов и его применение, «Программные продукты и системы», №2, 2008, стр. 47-48.
  20. Киселев М. В.: Метод кластеризации текстов, основанный на попарной близости термов, характеризующих тексты, и его сравнение с метрическими методами кластеризации, «Интернет-математика 2007», Москва, Изд-во Яндекс, 2007, стр. 74-83.
  21. Киселев М. В.: SSNUMDL – сеть стабилизирующихся импульсных нейронов, распознающая пространственно-временные образы, «Нейрокомпьютер», №12, 2005, стр. 16-24.
  22. Киселев М. В.: Оптимизация процедуры автоматического пополнения веб-каталога, «Интернет-математика 2005», Москва, Изд-во Яндекс, 2005, стр. 342-363.
  23. Киселев М. В., Пивоваров В. С., Шмулевич M. M.: Метод кластеризации текстов, учитывающий совместную встречаемость ключевых терминов, и его применение к анализу тематической структуры новостного потока и ее динамики, «Интернет-математика 2005», Москва, Изд-во Яндекс, 2005, pp. 412-435.
  24. M. V. Kiselev, Statistical Approach to Unsupervised Recognition of Spatio-temporal Patterns by Spiking Neurons. Portland, Oregon: proceedings of IJCNN-2003, pp. 2843-2847.
  25. M. V. Kiselev, S. M. M. Shmulevich: Symbolic Knowledge Acquisition Technology: The Next Step in Data Mining. PC AI, v 13(1), 1999, pp. 48-51.
  26. M. V. Kiselev, S. M. Ananyan, S. B. Arseniev, LA — a Clustering Algorithm with an Automated Selection of Attributes, which is Invariant to Functional Transformations of Coordinates. Proceedings of 3rd European Symposium on Principles of Data Mining and Knowledge Discovery PKDD’99 in: Lecture Notes in Artificial Intelligence 1704, Springer, 1999, pp. 366-371.
  27. M. V. Kiselev, S. M. Ananyan, S. B. Arseniev, PolyAnalyst Data Analysis Technique and Its Specialization for Processing Data Organized as a Set of Attribute Values. Proceedings of 2nd European Symposium on Principles of Data Mining and Knowledge Discovery PKDD’98 in: Lecture Notes in Artificial Intelligence 1510, Springer, 1998, pp. 352-360.
  28. Киселев М. В., Соломатин Е.: Применения технологии Data Mining в бизнесе и финансах, «Открытые системы», т. 24(4), 1997, стр. 41-44.
  29. M. V. Kiselev, S. M. Ananyan, S. B. Arseniev, Regression-Based Classification Methods and Their Comparison with Decision Tree Algorithms. Trondheim, Norway: proceedings of 1st European Symposium on Principles of Data Mining and Knowledge Discovery, Springer, 1997, pp. 134-144.
  30. M. V. Kiselev, S. M. Ananyan, S. B. Arseniev, New Efficient Technology for Securities Portfolio Management: Data Mining Approach. Charlotte, NC: proceedings of ISMIS’97 (Tenth International Symposium on Methodologies for Intelligent Systems), 1997.
  31. Киселев М. В.: Технология управления портфелем ГКО/ОФЗ, основанная на использовании системы анализа данных PolyAnalyst, «Банковские технологии», т. 22(10), 1996, стр. 86-88.
  32. Киселев М. В., Арсеньев С. Б.: Эффективная технология управления портфелем ценных бумаг, использующая систему анализа данных PolyAnalyst, Труды конференции «Искусственный интеллект — 96», Казань, 1996, ч. 3, стр. 503-507.
  33. M. V. Kiselev, S. B. Arseniev, Discovery of Numerical Dependencies in the Form of Rational Expressions. Zakopane, Poland: proceedings of ISMIS’96, Springer, 1996, pp. 134-145.
  34. S. B. Arseniev, M. V. V. Kiselev, L. Vanina, A. Knyazev, Application of Machine Discovery System PolyAnalyst to Modeling Electron Density Distribution in Ionospheric Region D. Boulder, Colorado, USA: proceedings of IUGG-95 Conference; IASPEI/SEG Symposium (S13): Application of Artificial Intelligence Computing in Geophysics. 1995, (with).
  35. S. B. Arseniev, B. Classen, M. V. Kiselev, Patient Ventilation Management Expert Rules Derived from Ulm University Clinic Using PolyAnalyst — Knowledge Discovery System. Heraklion, Greece: proceedings of ECML-95 Workshop on Statistics, Machine Learning and Knowledge Discovery in Databases, 1995, pp. 199-203.
  36. M. V. Kiselev, PolyAnalyst 2.0: Combination of Statistical Data Preprocessing and Symbolic KDD Technique. Heraklion, Greece: proceedings of ECML-95 Workshop on Statistics, Machine Learning and Knowledge Discovery in Databases, 1995, pp. 187-192.
  37. S. B. Arseniev, E. V. Flerov, M. V. Kiselev, Automated Acquisition of Smart Alarm Rules from Monitoring Data Using the PolyAnalyst Machine Discovery System. Porto Carras, Greece: abstracts of 5th Symposium of European Society for Computing and Technology in Anaesthesia and Intensive Care (ESCTAIC-94), 1994, p. H6.
  38. S. B. Arseniev, M. V. Kiselev, PolyAnalyst — a Machine Discovery System for Intelligent Analysis of Clinical Data, Porto Carras, Greece: abstracts of ESCTAIC-94, 1994, p. H5.
  39. M. V. Kiselev, PolyAnalyst — a Machine Discovery System Inferring Functional Programs. Seattle: proceedings of AAAI Workshop on Knowledge Discovery in Databases’94, 1994, pp. 237-249.
  40. G. S. Asanov, M. V. Kiselev, Finslerian Analog of the Higgs Mechanism, Russian Physics Journal, v 32(6), 1989, pp. 451-454.
  41. G. S. Asanov, M. V. Kiselev, Comparing the Finslerian Gauge Approach with the SU(3)×SU(2)×U(1)-Model. Reports on Mathematical Physics, v 26(3), 1988, pp. 401-411.

Олег Выголов

Олег Выголов

Архитектор решений

Кандидат технических наук

Область интересов: компьютерное зрение, машинное обучение, глубокие нейронные сети, импульсные нейронные сети, человеко-машинные интерфейсы.

Александр Федотов

Александр Федотов

Разработчик-исследователь

Кандидат технических наук

Область интересов: разработка программно-аппаратных комплексов, компьютерное зрение, акустика, машинное обучение, цифровая обработка и распознавание сигналов.

Андрей Вартенков

Андрей Вартенков

Разработчик-исследователь

Область интересов: машинное зрение, генеративные алгоритмы.

Екатерина Казимирова

Екатерина Казимирова

Менеджер по связям с научными организациями, исследователь

Область интересов: когнитивные архитектуры, биологоправдоподобные модели интеллектуальных систем, механизмы мышления, креативный искусственный интеллект.

  1. E. Kazimirova, «Two-Component Scheme of Cognitive System Organization: the Hippocampus-Inspired Model», in IARIA, Cognitive-2017: Proceedings of The Ninth International Conference on Advanced Cognitive Technologies and Applications, 2017, pp. 21-23. [Online]. Available: https://www.researchgate.net/publication/314245303_Two-Component_Scheme_of_Cognitive_System_Organization_the_Hippocampus-_Inspired_Model. [Accessed: 28- Feb- 2020]
  2. E. Kazimirova, «Image Transformations in a Cognitive System. Tunnel transition and combining ensembles.», in IARIA, Cognitive-2018: The Tenth International Conference on Advanced Cognitive Technologies and Applications, 2018, pp. 30-33. [Online]. Available: https://www.researchgate.net/publication/323756612_Image_Transformations_in_a_Cognitive_System_Tunnel_transition_and_combining_ensembles. [Accessed: 28- Feb- 2020]
  3. E. Kazimirova, «Human-Centric Internet of Things. Problems and Challenges.», in INTELLI 2017. The Sixth International Conference on Intelligent Systems and Applications., Nice, France, 2017, pp. 72-74. [Online]. Available: https://www.researchgate.net/publication/319059870_Human-Centric_Internet_of_Things_Problems_and_Challenges. [Accessed: 28- Feb- 2020]