THEORY

User Tools

Site Tools

Trace:
dlcp2026:timetable

Differences

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

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
dlcp2026:timetable [08/07/2026 07:23] – [Section 3. Machine Learning for Environmental Sciences] admindlcp2026:timetable [20/07/2026 11:18] (current) – [Section 1. Machine Learning in Fundamental Physics] admin
Line 4: Line 4:
 //05.06.2026// //05.06.2026//
  
-**Предварительная версия расписания от 3 июля.**+**Предварительная версия расписания от 3 июля.** {{  :dlcp2026:closed.png?200|}}
  
 {{ :dlcp2026:dlcp2026_timetable.pdf |PDF}} файл. {{ :dlcp2026:dlcp2026_timetable.pdf |PDF}} файл.
Line 19: Line 19:
 ^^11:00-11:45 ^ Welcome coffee & Rigistration |  || ^^11:00-11:45 ^ Welcome coffee & Rigistration |  ||
 ^^11:45-12:00 ^Открытие конференции|Директор НИИЯФ МГУ, чл.-корр. РАН Э.Э.Боос || ^^11:45-12:00 ^Открытие конференции|Директор НИИЯФ МГУ, чл.-корр. РАН Э.Э.Боос ||
-^^12:00-12:30 ^ {{:dlcp2026:dolenko.pdf|Нобелевская премия по физике 2024: почему её получили не физики, или Как физические принципы легли в основу методов машинного обучения}} | С.А.Доленко \\ Invited report|| +^^12:00-12:30 ^ {{:dlcp2026:slides:dolenko.pdf|Нобелевская премия по физике 2024: почему её получили не физики, или Как физические принципы легли в основу методов машинного обучения}} | С.А.Доленко \\ Invited report|| 
-||12:30-12:45 | {{ :dlcp2026:24.rogozhin_revised.pdf |24. Machine-Learning-Driven Particle Identification with the FARICH Detector under Realistic Operating Conditions}} | P. Rogozhin || +||12:30-12:45 | {{ :dlcp2026:slides:24.rogozhin_revised.pdf |24. Machine-Learning-Driven Particle Identification with the FARICH Detector under Realistic Operating Conditions}} | P. Rogozhin || 
-||12:45-13:00 | {{ :dlcp2026:21.baymakanov.pdf|21. Feature-Based and Deep Learning Methods for Astronomical Light Curve Classification}} | V. Baymakanov || +||12:45-13:00 | {{ :dlcp2026:slides:21.baymakanov.pdf|21. Feature-Based and Deep Learning Methods for Astronomical Light Curve Classification}} | V. Baymakanov || 
-||13:00-13:15 | {{:dlcp2026:36.zaborenko.pdf|36. Towards Foundational Models for HEP: Learning Universal Top-Quark Event Representations}} | Zaborenko A. || +||13:00-13:15 | {{:dlcp2026:slides:36.zaborenko.pdf|36. Towards Foundational Models for HEP: Learning Universal Top-Quark Event Representations}} | Zaborenko A. || 
-||13:15-13:30 ^ {{:dlcp2026:moskovsky_v0.pdf|Высокопроизводительное хранилище по запросу для поддержки инференса – преимущество подхода дизаггрегированной компонуемой инфраструктуры}} | А.А. Московский \\ Приглашенный доклад||+||13:15-13:30 ^ {{:dlcp2026:slides:moskovsky_v0.pdf|Высокопроизводительное хранилище по запросу для поддержки инференса – преимущество подхода дизаггрегированной компонуемой инфраструктуры}} | А.А. Московский \\ Приглашенный доклад||
 ^^ 13:30-14:30  ^ LUNCH  |  || ^^ 13:30-14:30  ^ LUNCH  |  ||
-||14:30-14:45 | {{:dlcp2026:27.staritsyna.pdf|27. Application of machine learning for the analysis of four-jet final states in the CEPC experiment}} | A.Staritsyna || +||14:30-14:45 | {{:dlcp2026:slides:27.staritsyna.pdf|27. Application of machine learning for the analysis of four-jet final states in the CEPC experiment}} | A.Staritsyna || 
-||14:45-15:00 | {{:dlcp2026:17.abasov.pdf|17. Lorentz-Equivariant Geometric Algebra Transformers for Top-Quark Event Reconstruction}} | Abasov E. || +||14:45-15:00 | {{:dlcp2026:slides:17.abasov.pdf|17. Lorentz-Equivariant Geometric Algebra Transformers for Top-Quark Event Reconstruction}} | Abasov E. || 
-|| 15:00-15:15 | {{ :dlcp2026:07.dubenskaya.pdf |Neural Network-Based Shower Core Reconstruction in the HiSCORE Experiment using Autoencoder-Derived Essential Features}} | J.Dubenskaya || +|| 15:00-15:15 | {{ :dlcp2026:slides:07.dubenskaya.pdf |07. Neural Network-Based Shower Core Reconstruction in the HiSCORE Experiment using Autoencoder-Derived Essential Features}} | J.Dubenskaya || 
-||15:15-15:30 | {{:dlcp2026:49.gres.pdf|49. Deep learning methods for gamma event selection in TAIGA-IACT image analysis in stereo-mode}} | *Е.О. Гресь || +||15:15-15:30 | {{:dlcp2026:slides:49.gres.pdf|49. Deep learning methods for gamma event selection in TAIGA-IACT image analysis in stereo-mode}} | *Е.О. Гресь || 
-||15:30-15:45 | {{ :dlcp2026:31.saraev.pdf|31. Реконструкция ориентации многоканального изображающего детектора с помощью нейросетевой оценки отношения }}|Р.Е. Сараев|| +||15:30-15:45 | {{ :dlcp2026:slides:31.saraev.pdf|31. Реконструкция ориентации многоканального изображающего детектора с помощью нейросетевой оценки отношения }}|Р.Е. Сараев|| 
-||15:45-16:00 | {{:dlcp2026:54.shorokhov.pdf|54. On neural inverse problem of celestial mechanics}} | *Shorokhov Sergey ||+||15:45-16:00 | {{:dlcp2026:slides:54.shorokhov.pdf|54. On neural inverse problem of celestial mechanics}} | *Shorokhov Sergey ||
 ^^ 16:00-16:30  ^ Coffee Break | || ^^ 16:00-16:30  ^ Coffee Break | ||
-|| 16:30-16:45| {{:dlcp2026:52.volchugov.pdf|52. Метод машинного обучения для разделения тяжелой и легкой компнент в космических лучах по данны АЧТ}} | П.А. Волчугов || +|| 16:30-16:45| {{:dlcp2026:slides:52.volchugov.pdf|52. Метод машинного обучения для разделения тяжелой и легкой компнент в космических лучах по данны АЧТ}} | П.А. Волчугов || 
-|| 17:00-17:15  | {{ :dlcp2026:3.osadchiy-2.pdf |3. Применение графовых нейронных сетей для сегментации хитов в глубоководном нейтринном телескопе Baikal-GVD}}| Лев Осадчий || +|| 17:00-17:15  | {{ :dlcp2026:slides:3.osadchiy-2.pdf |3. Применение графовых нейронных сетей для сегментации хитов в глубоководном нейтринном телескопе Baikal-GVD}}| Лев Осадчий || 
-|| 17:15-17:30  |{{ :dlcp2026:14.usatyuk.pdf |14. Kohn–Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification}} | V. S. Usatyuk   ||+|| 17:15-17:30  |{{ :dlcp2026:slides:14.usatyuk.pdf |14. Kohn–Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification}} | V. S. Usatyuk   ||
  
 ---- ----
Line 43: Line 43:
  
 //* - remote report// //* - remote report//
-||10:00-10:15 | {{ :dlcp2026:22.тарасов.pdf|22. An Approach to Solving Model Problems in Computational Fluid Dynamics Based on Physics-Informed Neural Networks}}  | *Tarasov A.A. || +||10:00-10:15 | {{ :dlcp2026:slides:22.тарасов.pdf|22. An Approach to Solving Model Problems in Computational Fluid Dynamics Based on Physics-Informed Neural Networks}}  | *Tarasov A.A. || 
-||10:15-10:30 | {{:dlcp2026:34.kalita.pdf|34. Detection of Slowly Developing Anomalies in Engineering Systems Based on Matrix Profile Family Algorithms and Multivariate Time Series Representation Methods}} | *Kalita Anastasiia || +||10:15-10:30 | {{:dlcp2026:slides:34.kalita.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 | {{:dlcp2026:33.izhitskii.pdf|33. Large Language Models for Tabular Data Classification}} | Timofei Izhitskii|| +||10:30-10:45 | {{:dlcp2026:slides:33.izhitskii.pdf|33. Large Language Models for Tabular Data Classification}} | Timofei Izhitskii|| 
-||10:45-11:00 | {{:dlcp2026:32.chugreeva.pdf|32. Сверточные нейронные сети для разработки углеродных наносенсоров с управляемыми люминесцентными свойствами}} | Г. Н. Чугреева || +||10:45-11:00 | {{:dlcp2026:slides:32.chugreeva.pdf|32. Сверточные нейронные сети для разработки углеродных наносенсоров с управляемыми люминесцентными свойствами}} | Г. Н. Чугреева || 
-||11:00-11:15 | {{:dlcp2026:45.куприянов.pdf|45. Вычисление моментов как способ параметризации 2D-карт фотолюминесценции при решении обратной задачи спектроскопии}} | Г.А.Куприянов ||+||11:00-11:15 | {{:dlcp2026:slides:45.куприянов.pdf|45. Вычисление моментов как способ параметризации 2D-карт фотолюминесценции при решении обратной задачи спектроскопии}} | Г.А.Куприянов ||
 ^^ 11:15-11:45  ^ Coffee Break  |  || ^^ 11:15-11:45  ^ Coffee Break  |  ||
-||11:45-12:00 | {{:dlcp2026:38.макаров.pdf|38. Сравнение глубоких архитектур при различных уровнях предобработки фМРТ в задаче бинарной классификации мозговой активности}} | А.С.Макаров || +||11:45-12:00 | {{:dlcp2026:slides:38.макаров.pdf|38. Сравнение глубоких архитектур при различных уровнях предобработки фМРТ в задаче бинарной классификации мозговой активности}} | А.С.Макаров || 
-||12:00-12:15 | {{:dlcp2026:41.mardanov.pdf|41. Transfer Learning via Source-Target Domain Data Mixing for Solving Multi-Parameter Inverse Problems in Optical Spectroscopy}}  | Mardanov A.P. || +||12:00-12:15 | {{:dlcp2026:slides:41.mardanov.pdf|41. Transfer Learning via Source-Target Domain Data Mixing for Solving Multi-Parameter Inverse Problems in Optical Spectroscopy}}  | Mardanov A.P. || 
-||12:15-12:30 | {{:dlcp2026:42.katsuba.pdf|42. One Model for All Columns: Unified Learning for Tabular Data}}  | *Kirill Katsuba || +||12:15-12:30 | {{:dlcp2026:slides:42.katsuba.pdf|42. One Model for All Columns: Unified Learning for Tabular Data}}  | *Kirill Katsuba || 
-||12:30-12:45 | {{:dlcp2026:43.утегенова.pdf|43. Преодоление доменного сдвига в спектрах КР природных вод: подход на основе доменной адаптации без учителя для многокомпонентной регрессии}} | Л.С.Утегенова || +||12:30-12:45 | {{:dlcp2026:slides:43.утегенова.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 | {{:dlcp2026:46.пятикоп.pdf|46. Использование алгоритмов машинного обучения для доменной адаптации при переходе между данными космических аппаратов}} | *Пятикоп А.В. || +||12:45-13:00 | {{:dlcp2026:slides:46.пятикоп.pdf|46. Использование алгоритмов машинного обучения для доменной адаптации при переходе между данными космических аппаратов}} | *Пятикоп А.В. || 
-||13:00-13:15 | {{:dlcp2026:47.шалеев.pdf|47. Нейросетевое определение концентраций ионов в природной воде с использованием стратегий параметрически эффективной адаптации}} | М.К.Шалеев || +||13:00-13:15 | {{:dlcp2026:slides:47.шалеев.pdf|47. Нейросетевое определение концентраций ионов в природной воде с использованием стратегий параметрически эффективной адаптации}} | М.К.Шалеев || 
-||13:15-13:30  | {{ :dlcp2026:28.kiura.pdf | 28. A Physics-Informed Neural Network Framework for Multidimensional Heat Transfer: Benchmarking Against Finite-Difference Methods}} | *S. M. Kiura  ||+||13:15-13:30  | {{ :dlcp2026:slides:28.kiura.pdf | 28. A Physics-Informed Neural Network Framework for Multidimensional Heat Transfer: Benchmarking Against Finite-Difference Methods}} | *S. M. Kiura  ||
 ^^ 13:30-14:30  ^ LUNCH  |  || ^^ 13:30-14:30  ^ LUNCH  |  ||
-|| 14:30-15:00  | {{:dlcp2026:4.egorshev.pdf|4. Топовые вычислительные системы для суперкомпьютинга и ИИ.}} \\ Приглашенный доклад | В.Егоршев || +|| 14:30-15:00  | {{:dlcp2026:slides:4.egorshev.pdf|4. Топовые вычислительные системы для суперкомпьютинга и ИИ.}} \\ Приглашенный доклад | В.Егоршев || 
-||15:00-15:15 | {{ :dlcp2026:13.хвостова.pdf |13. Метод автоматизированной обработки научных публикаций}}| *Хвостова М.О. || +||15:00-15:15 | {{ :dlcp2026:slides:13.хвостова.pdf |13. Метод автоматизированной обработки научных публикаций}}| *Хвостова М.О. || 
-||15:15-15:30 | {{:dlcp2026:35.isaev.pdf|35. OPTIMIZATION OF THE OPERATING TEMPERATURE RANGE OF SEMICONDUCTOR GAS SENSORS USING MACHINE LEARNING}} | Isaev I.V. || +||15:15-15:30 | {{:dlcp2026:slides:35.isaev.pdf|35. OPTIMIZATION OF THE OPERATING TEMPERATURE RANGE OF SEMICONDUCTOR GAS SENSORS USING MACHINE LEARNING}} | Isaev I.V. || 
-||15:30-15:45   | {{:dlcp2026:57.fomicheva.pdf|57. Оптимизация для инженерного проектирования+||15:30-15:45   | {{:dlcp2026:slides:57.fomicheva.pdf|57. Оптимизация для инженерного проектирования
 }}  | Фомичева Н.В. || }}  | Фомичева Н.В. ||
-|| 15:45-16:00 | {{:dlcp2026:56.grekov.pdf|56. Оптимизация генераторов ветропарка}} | Греков П.П. ||+|| 15:45-16:00 | {{:dlcp2026:slides:56.grekov.pdf|56. Оптимизация генераторов ветропарка}} | Греков П.П. ||
 ^^ 16:00-16:30  ^ Coffee Break | || ^^ 16:00-16:30  ^ Coffee Break | ||
-||16:30-16:45  | {{:dlcp2026:6.ilyin.pdf|6. О предподготовке входных данных для спайковых нейронных сетей}} | В.А. Ильин || +||16:30-16:45  | {{:dlcp2026:slides:6.ilyin.pdf|6. О предподготовке входных данных для спайковых нейронных сетей}} | В.А. Ильин || 
-|| 16:45-17:00 | {{:dlcp2026:50.volkov.pdf|50. Methodology for Processing Open Data for Machine Learning Models in BSM Searches}} | Volkov P ||+|| 16:45-17:00 | {{:dlcp2026:slides:50.volkov.pdf|50. Methodology for Processing Open Data for Machine Learning Models in BSM Searches}} | Volkov P ||
 || 17:00-17:15 | <del>1. Invertible Neural Networks and the Possibility of || 17:00-17:15 | <del>1. Invertible Neural Networks and the Possibility of
 their Applications to Cosmic Rays Data Analysis</del> {{:dlcp2026:canceled.png?64|}} | A.Kryukov || their Applications to Cosmic Rays Data Analysis</del> {{:dlcp2026:canceled.png?64|}} | A.Kryukov ||
Line 75: Line 75:
  
 //* - remote report// //* - remote report//
-||10:00-10:15  | {{ :dlcp2026:2.vorobev.pdf |2. Convolutional Neural Networks and Bayesian Classification for Risk Assessment of High-Latitude Critical Infrastructure }}| *Vorobev A.V. || +||10:00-10:15  | {{ dlcp2026:slides:2.vorobev.pdf |2. Convolutional Neural Networks and Bayesian Classification for Risk Assessment of High-Latitude Critical Infrastructure }}| *Vorobev A.V. || 
-||10:15-10:30  | {{ :dlcp2026:16.shatalov.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.|| +||10:15-10:30  | {{ :dlcp2026:slides:16.shatalov.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 | {{ :dlcp2026:23.mustafa.pdf | 23. Structured Training Ablation and GSD-Adaptive Orthophoto Inference for UAV-Based Pavement Defect Detection with YOLO26 }} | *Mustafa A. || +|| 10:30-10:45 | {{ :dlcp2026:slides:23.mustafa.pdf | 23. Structured Training Ablation and GSD-Adaptive Orthophoto Inference for UAV-Based Pavement Defect Detection with YOLO26 }} | *Mustafa A. || 
-|| 10:45-11:00 |{{ :dlcp2026:29.popov.pdf |29. Integrated Study of Seismoacoustic Facies Types Using Deep Learning Methods in the Romanche Fracture Zone}} | *Popov M.S. || +|| 10:45-11:00 |{{ :dlcp2026:slides:29.popov.pdf |29. Integrated Study of Seismoacoustic Facies Types Using Deep Learning Methods in the Romanche Fracture Zone}} | *Popov M.S. || 
-|| 11:00-11:15 | {{:dlcp2026:44-rep.pdf|44. Texture Based Explainable Machine Learning for Automated Glacial Crevasse Detection in GPR Radargrams}} | *Ripul Ghosh ||+|| 11:00-11:15 | {{:dlcp2026:slides:44.ghosh.pdf|44. Texture Based Explainable Machine Learning for Automated Glacial Crevasse Detection in GPR Radargrams}} | *Ripul Ghosh ||
 ^^ 11:15-11:45  ^ Coffee Break  |  || ^^ 11:15-11:45  ^ Coffee Break  |  ||
-|| 11:45-12:00  | {{:dlcp2026:20.petrov.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. || +|| 11:45-12:00  | {{:dlcp2026:slides:20.petrov.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 |{{:dlcp2026:12-rep.pdf|12. Ускорение численного моделирования в задаче рассеяния атмосферных примесей в городской застройке методами глубокого обучения}}| И. А. Герасимов  || +||12:00-12:15 |{{:dlcp2026:slides:12.gerasimov1.pdf|12. Ускорение численного моделирования в задаче рассеяния атмосферных примесей в городской застройке методами глубокого обучения}}| И. А. Герасимов  || 
-||12:15-12:30 |{{:dlcp2026:11.demidova.pdf|11. АНАЛИЗ СТРУКТУРЫ ДАННЫХ СТРАТОСФЕРНОГО ПОЛЯРНОГО ВИХРЯ С ПРИМЕНЕНИЕМ САМОКОНТРОЛИРУЕМОГО ОБУЧЕНИЯ}} | E. А. Демидова || +||12:15-12:30 |{{:dlcp2026:slides:11.demidova.pdf|11. АНАЛИЗ СТРУКТУРЫ ДАННЫХ СТРАТОСФЕРНОГО ПОЛЯРНОГО ВИХРЯ С ПРИМЕНЕНИЕМ САМОКОНТРОЛИРУЕМОГО ОБУЧЕНИЯ}} | E. А. Демидова || 
-|| 12:30-12:45 | {{:dlcp2026:37.ustimov.pdf|37. Cloud Base Height Estimation from Stereo Images Using Deep Feature Matching and Temporal Filtering}} | *Ivan Ustimov || +|| 12:30-12:45 | {{:dlcp2026:slides:37.ustimov.pdf|37. Cloud Base Height Estimation from Stereo Images Using Deep Feature Matching and Temporal Filtering}} | *Ivan Ustimov || 
-||12:45-13:00 | {{:dlcp2026:55.belkova.pdf|55. Cloud Base Height Assessment via Stereo-Based Neural Network Feature Matching}} | *E.A. Belkova || +||12:45-13:00 | {{:dlcp2026:slides:55.belkova.pdf|55. Cloud Base Height Assessment via Stereo-Based Neural Network Feature Matching}} | *E.A. Belkova || 
-||13:00-13:15 | {{:dlcp2026:59.shamsutdinov.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 || +||13:00-13:15 | {{:dlcp2026:slides:59.shamsutdinov.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 || 
-|| 13:15-13:30 | {{ :dlcp2026:26-rep.pdf |26. Автоматическая предварительная разметка судовых снимков в задаче обнаружения плавающего морского мусора}} | И. А. Герасимов ||+|| 13:15-13:30 | {{ :dlcp2026:slides:26.gerasimov.pdf |26. Автоматическая предварительная разметка судовых снимков в задаче обнаружения плавающего морского мусора}} | И. А. Герасимов ||
 ^^ 13:30-14:30  ^ LUNCH  |  || ^^ 13:30-14:30  ^ LUNCH  |  ||
-||14:30-14:45 | {{:dlcp2026:48-rep.pdf|48. Параметризация субмезомасштабного вертикального потока плавучести с помощью свёрточной нейронной сети на основе крупномасштабных характеристик перемешанного слоя}} | В.Ю.Резвов || +||14:30-14:45 | {{:dlcp2026:slides:48.rezvov.pdf|48. Параметризация субмезомасштабного вертикального потока плавучести с помощью свёрточной нейронной сети на основе крупномасштабных характеристик перемешанного слоя}} | В.Ю.Резвов || 
-||14:45-15:00 | {{:dlcp2026:61.borisov.pdf|61. Comparing Direct and Autoregressive Neural Forecasting Strategies for Black Sea Ocean State Prediction at Sub-Seasonal Horizons}} | M. Borisov || +||14:45-15:00 | {{:dlcp2026:slides:61.borisov.pdf|61. Comparing Direct and Autoregressive Neural Forecasting Strategies for Black Sea Ocean State Prediction at Sub-Seasonal Horizons}} | M. Borisov || 
-||15:00-15:15   | {{:dlcp2026:19.kalinin.pdf|19. Self-Supervised Eddy Embeddings for Irminger Ring Analysis in the Labrador Sea}}  | *Mikhail Kalinin || +||15:00-15:15   | {{:dlcp2026:slides:19.kalinin.pdf|19. Self-Supervised Eddy Embeddings for Irminger Ring Analysis in the Labrador Sea}}  | *Mikhail Kalinin || 
-||15:15-15:30 | {{:dlcp2026:53-rep.pdf|53. Improving Wind-Wave Estimation from Shipborne Radar Data with CNNs, Synthetic Pretraining, and Weather Forecasts}} | Alexander Suslov ||+||15:15-15:30 | {{:dlcp2026:slides:53.suslov.pdf|53. Improving Wind-Wave Estimation from Shipborne Radar Data with CNNs, Synthetic Pretraining, and Weather Forecasts}} | *Alexander Suslov ||
 ^^ 15:30-15:45  ^ Закрытие конференции |  || ^^ 15:30-15:45  ^ Закрытие конференции |  ||
 ^^ 15:45-16:30  ^ Coffee Break  |  || ^^ 15:45-16:30  ^ Coffee Break  |  ||
dlcp2026/timetable.1783495408.txt.gz · Last modified: by admin