Differences

This shows you the differences between two versions of the page.

--- dlcp2026:timetable [09/06/2026 09:01] – [Section 1. Machine Learning in Fundamental Physics] admin
+++ dlcp2026:timetable [23/06/2026 12:47] (current) – [Section 3. Machine Learning for Environmental Sciences] admin
@@ Line 1: / Line 1: @@
-{{:dlcp:dlcp25-logo.png?400|}}
+{{:dlcp2026:dlcp26-logo.png?200|}}
 ====== Timetable (draft) ======
-//19.06.2025//
+//09.06.2026//
-{{ :dlcp2025:dlcp2025-program.pdf |PDF}} файл.
+/**{{ :dlcp2026:dlcp2026-timetable.pdf |PDF}} файл.**/
 //Moscow time (MSK), on site and ZOOM// \\
-//# - on-line report (17)//
 <color /orange>//**Attention! Before the presentation, the speaker must send a presentation in PDF format for posting on the website.**//</color>
@@ Line 13: / Line 12: @@
 ===== Section 1. Machine Learning in Fundamental Physics  =====
-**July 2, 2025. SINP MSU, bld.19, room 2-15**
+**July 6, 2026. SINP MSU, bld.19, room 2-15**
+//* - remote report//
 ^^11:00-11:45  ^ Welcome coffee & Rigistration |  ||
 ^^11:45-12:00  ^Открытие конференции|Директор НИИЯФ МГУ, чл.-корр. РАН Э.Э.Боос ||
-||12:00-12:15  |36. {{ :dlcp2026:reports:osadchi-dlcp26.pdf |3. Применение графовых нейронных сетей для сегментации хитов в глубоководном нейтринном телескопе Baikal-GVD}}| Лев Осадчий ||
+||12:00-12:15  | {{ :dlcp2026:reports:3-rep.pdf |3. Применение графовых нейронных сетей для сегментации хитов в глубоководном нейтринном телескопе Baikal-GVD}}| Лев Осадчий ||
-||              |  ||
+||12:15-12:30  |{{ :dlcp2026:reports:14-rep.pdf |14. Kohn–Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification}} | V. S. Usatyuk   ||
-||              |  ||
+||12:30-12:45 | {{ :dlcp2026:reports:24-rep.pdf |24. Machine-Learning-Driven Particle Identification with the FARICH Detector under Realistic Operating Conditions}} | P. Rogozhin ||
+||12:45-13:00 | {{ :dlcp2026:reports:31-rep.pdf|31. Реконструкция ориентации многоканального изображающего детектора с помощью нейросетевой оценки отношения }}|Р.Е. Сараев||
+||13:00-13:15 | {{ :dlcp2026:reports:21-rep.pdf|21. Feature-Based and Deep Learning Methods for Astronomical Light Curve Classification}} | V. Baymakanov ||
+||13:15-13:30 | {{:dlcp2026:reports:17-rep.pdf|17. Lorentz-Equivariant Geometric Algebra Transformers for Top-Quark Event Reconstruction}} | Abasov E. ||
 ^^ 13:30-14:30  ^ LUNCH  |  ||
-||              |  ||
+||14:30-14:45 | {{:dlcp2026:reports:27-rep.pdf|27. Application of machine learning for the analysis of four-jet final states in the CEPC experiment}} | A.Staritsyna ||
-||              |  ||
+||14:45-15:00 | {{:dlcp2026:reports:36-rep.pdf|36. Towards Foundational Models for HEP: Learning Universal Top-Quark Event Representations}} | Zaborenko A. ||
+||15:00-15:15 | {{:dlcp2026:reports:45-rep.pdf|45. Вычисление моментов как способ параметризации 2D-карт фотолюминесценции при решении обратной задачи спектроскопии}} | Г.А.Куприянов ||
+||15:15-15:30 | {{:dlcp2026:reports:49-rep.pdf|49. Deep learning methods for gamma event selection in TAIGA-IACT image analysis in stereo-mode}} | *Е.О. Гресь ||
+||15:30-15:45 | {{:dlcp2026:reports:50-rep.pdf|50. Methodology for Processing Open Data for Machine Learning Models in BSM Searches}} | Volkov P ||
+||15:45-16:00 | {{:dlcp2026:reports:54-rep.pdf|54. On neural inverse problem of celestial mechanics}} | *Shorokhov Sergey ||
 ^^ 16:00-16:30  ^ Coffee Break | ||
-||              |  ||
+|| 16:30-16:45| {{:dlcp2026:reports:54-rep.pdf|52. Метод машинного обучения для разделения тяжелой и легкой компнент в космических лучах по данны АЧТ}} | П.А. Волчугов ||
-||              |  ||
+|| 16:45-17:00| {{:dlcp2026:reports:1-rep.pdf|1.}} | A.Kryukov ||
+----
-===== Section 2. Machine Learning for Environmental Sciences =====
+===== Section 2. Machine Learning in Natural Sciences =====
-**July 3, 2025. ИО РАН **
+**July 7, 2026.  SINP MSU, bld.19, room 2-15 **
-**9:30-9:45** \\ 11. Вострикова С.А., Московский физико-технический институт. Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения.
+//* - remote report//
-++++ Аннотация|
+||10:00-10:15 | {{ :dlcp2025:reports:tarasov-rep.pdf|22. An Approach to Solving Model Problems in Computational Fluid Dynamics Based on Physics-Informed Neural Networks}}  | *Tarasov A.A. ||
-Влажность воздуха в приповерхностном слое атмосферы над океаном является ключевым климатическим параметром, влияющим на процессы переноса влаги и тепла между океаном и атмосферой, а также на динамику атмосферных процессов в целом. Анализ метеорологических данных, собранных в течение XX века, показывает разреженность рядов измерений влажности в пространстве и времени. Международный массив данных о характеристиках океана и атмосферы (ICOADS) указывает на недостаточную плотность измерений в начале XX века по сравнению с более поздними периодами, что создает сложности для адекватного анализа климатических тенденций относительной влажности. Представленные в литературе методы восстановления временных рядов влажности зачастую демонстрируют ограниченную точность, основываясь преимущественно на статистических и эвристических подходах. Наша работа направлена на повышение качества решения этой задачи за счёт применения методов машинного обучения. В настоящей работе решена задача в формулировке аппроксимации моментальных значений относительной влажности по данным сопутствующих измерений атмосферного давления, температуры воздуха, скорости и направления ветра, температуры поверхности океана, а также наблюдений количества и типов облачности на трёх ярусах. Кроме этого, в составе сопутствующих переменных используется код погоды по стандарту ВМО и расчетная высота солнца. В исследовании использованы модели машинного обучения следующих типов: линейная регрессия, случайный лес, градиентный бустинг (CatBoost) и полносвязная искусственная нейронная сеть. Для повышения территориальной и временной специфичности разрабатываемых моделей мы провели исследование для каждой ячейки размером 5 градусов по широте и долготе и каждого сезона по отдельности. На основе полученных результатов были построены карты пространственного распределения ошибок моделей, которые позволили выявить регионы с высокой и низкой точностью аппроксимации влажности. Исследование подтвердило эффективность методов машинного обучения для восстановления климатических рядов, определило наиболее подходящие модели для этой задачи и обозначило перспективные направления для дальнейшей работы.
+||10:15-10:30 | {{:dlcp2025:reports:34-rep.pdf|34. Detection of Slowly Developing Anomalies in Engineering Systems Based on Matrix Profile Family Algorithms and Multivariate Time Series Representation Methods}} | *Kalita Anastasiia ||
-++++
+||10:30-10:45 | {{:dlcp2026:reports:33-rep.pdf|33. Large Language Models for Tabular Data Classification}} | Timofei Izhitskii||
+||10:45-11:00 | {{:dlcp2026:reports:32-rep.pdf|32. Сверточные нейронные сети для разработки углеродных наносенсоров с управляемыми люминесцентными свойствами}} | Г. Н. Чугреева ||
-||  9:30-9:45   |   |  ||
+||11:00-11:15 | {{:dlcp2026:reports:35-rep.pdf|35. OPTIMIZATION OF THE OPERATING TEMPERATURE RANGE OF SEMICONDUCTOR GAS SENSORS USING MACHINE LEARNING}} | Isaev I.V. ||
 ^^ 11:15-11:45  ^ Coffee Break  |  ||
-||   |   |  ||
+||11:45-12:00 | {{:dlcp2025:reports:38-rep.pdf|38. Сравнение глубоких архитектур при различных уровнях предобработки фМРТ в задаче бинарной классификации мозговой активности}} | А.С.Макаров ||
-||   |   |  ||
+||12:00-12:15 | {{:dlcp2025:reports:41-rep.pdf|41. Transfer Learning via Source-Target Domain Data Mixing for Solving Multi-Parameter Inverse Problems in Optical Spectroscopy}}  | Mardanov A.P. ||
-^^ 13:45-15:00  ^ LUNCH  |  ||
+||12:15-12:30 | {{:dlcp2025:reports:42-rep.pdf|42. One Model for All Columns: Unified Learning for Tabular Data}}  | *Kirill Katsuba ||
-||   |   |  ||
+||12:30-12:45 | {{:dlcp2025:reports:43-rep.pdf|43. Преодоление доменного сдвига в спектрах КР природных вод: подход на основе доменной адаптации без учителя для многокомпонентной регрессии}} | Л.С.Утегенова ||
-||   |   |  ||
+||12:45-13:00 | {{:dlcp2025:reports:46-rep.pdf|46. Использование алгоритмов машинного обучения для доменной адаптации при переходе между данными космических аппаратов}} | *Пятикоп А.В. ||
-^^ 16:00-16:30  ^ Coffee Break  |  ||
+||13:00-13:15 | {{:dlcp2025:reports:47-rep.pdf|47. Нейросетевое определение концентраций ионов в природной воде с использованием стратегий параметрически эффективной адаптации}} | М.К.Шалеев ||
-||   |   |  ||
+|| 13:15-13:30 | {{:dlcp2025:reports:56-rep.pdf|56. Оптимизация генераторов ветропарка}} | Рамазян Т.А. ||
-||   |   |  ||
+^^ 13:30-14:30  ^ LUNCH  |  ||
+|| 14:30-15:00  | {{:dlcp2025:reports:4-rep.pdf|4. Топовые вычислительные системы для суперкомпьютинга и ИИ.}} \\ Приглашенный доклад | В.Егоршев ||
+||15:00-15:15   | {{:dlcp2025:reports:57-rep.pdf|57. Оптимизация для инженерного проектирования
+}}  | Рамазян Т.А. ||
+||15:15-15:30  | {{ :dlcp2025:reports:khvostova-rep.pdf |13. Метод автоматизированной обработки научных публикаций}}| *Хвостова М.О. ||
+||15:30-15:45  | {{ :dlcp2025:reports:kiura-rep.pdf | 28. A Physics-Informed Neural Network Framework for Multidimensional Heat Transfer: Benchmarking Against Finite-Difference Methods}} | *S. M. Kiura  ||
+^^ 15:45-16:15  ^ Coffee Break | ||
-===== Section 3. Machine Learning in Natural Sciences =====
+----
-**July 4, 2025.  SINP MSU, bld.19, room 2-15 **
+===== Section 3. Machine Learning for Environmental Sciences =====
+**July 8, 2026.  SINP MSU, bld.19, room 2-15 **
-|| 9:30-9:45  |  ||
+//* - remote report//
-||   |   |  ||
+||10:00-10:15  | {{ :dlcp2025:reports:2-rep.pdf |2. Convolutional Neural Networks and Bayesian Classification for Risk Assessment of High-Latitude Critical Infrastructure }}| *Vorobev A.V. ||
-||   |   |  ||
+||10:15-10:30  | {{ :dlcp2025:reports:16-rep.pdf | 16. Автоматизация обнаружения нерки в данных визуальной оптической съемки с борта БПЛА в районе озера Начикинское (Камчатка) с применением искусственных нейронных сетей}}| Шаталов Д.Д.||
+|| 10:30-10:45 | {{ :dlcp2025:reports:23-rep.pdf | 23. Structured Training Ablation and GSD-Adaptive Orthophoto Inference for UAV-Based Pavement Defect Detection with YOLO26 }} | *Mustafa A. ||
+|| 10:45-11:00 |{{ :dlcp2025:reports:29-rep.pdf |29. Integrated Study of Seismoacoustic Facies Types Using Deep Learning Methods in the Romanche Fracture Zone}} | *Popov M.S. ||
+|| 11:00-11:15 | {{ :dlcp2025:reports:26-rep.pdf |26. Автоматическая предварительная разметка судовых снимков в задаче обнаружения плавающего морского мусора}} | И. А. Герасимов ||
 ^^ 11:15-11:45  ^ Coffee Break  |  ||
-||   |   |  ||
+|| 11:45-12:00  | {{:dlcp2025:reports:20-rep.pdf |20. Реализация локальных моделей машинного обучения для аппроксимации коротковолновой радиации у поверхности земли в облачных условиях по геофизическим предикторам для Московского региона}}  | *Петров Н.А. ||
-||   |   |  ||
+||12:00-12:15   | {{:dlcp2025:reports:19-rep.pdf|19. Self-Supervised Eddy Embeddings for Irminger Ring Analysis in the Labrador Sea}}  | *Mikhail Kalinin ||
-^^ 13:30-14:30  ^ LUNCH  |  ||
+||12:15-12:30 |{{:dlcp2025:reports:12-rep.pdf|12. Ускорение численного моделирования в задаче рассеяния атмосферных примесей в городской застройке методами глубокого обучения}}| И. А. Герасимов  ||
-||   |   |  ||
+||12:30-12:45 |{{:dlcp2025:reports:11-rep.pdf|11. АНАЛИЗ СТРУКТУРЫ ДАННЫХ СТРАТОСФЕРНОГО ПОЛЯРНОГО ВИХРЯ С ПРИМЕНЕНИЕМ САМОКОНТРОЛИРУЕМОГО ОБУЧЕНИЯ}} | E. А. Демидова ||
-||   |   |  ||
+|| 12:45-13:00 | {{:dlcp2025:reports:37-rep.pdf|37. Cloud Base Height Estimation from Stereo Images Using Deep Feature Matching and Temporal Filtering}} | *Ivan Ustimov ||
-^^ 16:00-16:30  ^ Coffee Break | ||
+|| 13:00-13:15 | {{:dlcp2025:reports:44-rep.pdf|44. Texture Based Explainable Machine Learning for Automated Glacial Crevasse Detection in GPR Radargrams}} | *Ripul Ghosh ||
-||   |   |  ||
+||13:15-13:30 | {{:dlcp2025:reports:48-rep.pdf|48. Параметризация субмезомасштабного вертикального потока плавучести с помощью свёрточной нейронной сети на основе крупномасштабных характеристик перемешанного слоя}} | В.Ю.Резвов ||
-||   |   |  ||
+||13:30-13:45 | {{:dlcp2025:reports:53-rep.pdf|53. Improving Wind-Wave Estimation from Shipborne Radar Data with CNNs, Synthetic Pretraining, and Weather Forecasts}} | Alexander Suslov ||
-^^ 18:15-18:30  ^ Закрытие конференции |  ||
+^^ 13:45-15:00  ^ LUNCH  |  ||
+||15:00-15:15 | {{:dlcp2025:reports:55-rep.pdf|55. Cloud Base Height Assessment via Stereo-Based Neural Network Feature Matching}} | *E.A. Belkova ||
+||15:15-15:30 | {{:dlcp2025:reports:59-rep.pdf|59. Retrieval of Vertical Aerosol Extinction Profiles in the Lower Troposphere from MAX-DOAS Spectral Measurements Using a Deep Learning Transformer Architecture}} | D.R. Shamsutdinov ||
+||15:13-15:45 | {{:dlcp2025:reports:61-rep.pdf|61. Comparing Direct and Autoregressive Neural Forecasting Strategies for Black Sea Ocean State Prediction at Sub-Seasonal Horizons}} | M. Borisov ||
+^^ 15:45-16:00  ^ Закрытие конференции |  ||
+^^ 16:15-16:45  ^ Coffee Break  |  ||
+----