Научно-исследовательская лаборатория «Суперкомпьютерные технологии и машинное обучение» (НИЛ СТиМО) НЦМУ СПбПУ
Руководитель
Заборовский Владимир Сергеевич
заведующий НИЛ, доктор технических наук, профессор
Ведущие ученые
Общая численность сотрудников лаборатории – 12, из них молодых исследователей (до 39 лет) – 7, иностранных исследователей – 1.
Область научных исследований
Основным направлением работы НИЛ является разработка систем гетерогенных экстрамассивных параллельных вычислений с использованием технологий машинного обучения для решения комплексных наукоемких задач и создания цифровых технологий нового поколения в области медицины и анализа многомерных объектов.

Рассматриваются вопросы применения технологий машинного обучения и гетерогенных суперкомпьютеров для повышения эффективности решения вычислительно сложных задач.
Прикладные направления исследований НИЛ СТиМО:

  • Разработка методов объяснительного интеллекта для систем медицинской диагностики, сейсморазведки и регистрации цифровых моделей объектов.
  • Повышение эффективности решения вычислительно сложных задач за счет применения распределенной реконфигурируемой гетерогенной вычислительной платформы для решения задач машинного обучения и моделирования когнитивных операций в сложных киберфизических системах.
Ключевые цели и задачи
Среди важнейших результатов деятельности НИЛ:

  • реализация методов машинного обучения для задач диагностирования онкологических заболеваний на примере анализа КТ-снимков легкого;
  • разработка программы дополнительного образования для подготовки специалистов по работе с гетерогенными реконфигурируемыми вычислительными системами.
Примеры наиболее значимых проектов и исследований
  • Проект «Разработка платформы сбора, актуализации и анализа сведений об объектах промышленного дизайна на базе Системы интеллектуального сопоставления и определения схожести трехмерных моделей» (государственное задание).
  • Контракт с АО «Ай-Теко» по разработке набора модулей информационной системы поддержки хранения, сопоставления и определения схожести объектов ИС в форме цифровых трехмерных моделей для ФИПС (Роспатент).
  • Описание формы новообразования путем вычисления случайных точек на поверхности
  • Интерфейс системы сравнения трехмерных моделей, разработанная для ФИПС по заказу АО «Ай-теко»
Некоторые публикации
  • Konstantinov A.V., Utkin L.V. (2021) Interpretable machine learning with an ensemble of gradient boosting machines // Knowledge-Based Systems, 2021 (https://doi.org/10.1016/j.knosys.2021.106993) (Q1)
  • Utkin L.V., Zaborovsky V.S., Kovalev M.S., Konstantinov A.V., Politaeva N.A., Lukashin A.A. (2021) Uncertainty Interpretation of the Machine Learning Survival Model Predictions // IEEE Access, 2021, vol. 9, pp. 120158 – 1201752021, paper number 9524631 (https://doi.org/10.1109/ACCESS.2021.3108341) (Scopus Q1)
  • Kovalev M.S., & Utkin L.V. (2020) A robust algorithm for explaining unreliable machine learning survival models using the Kolmogorov–Smirnov bounds // Neural Networks, 132, 1-18. (https://doi.org/10.1016/j.neunet.2020.08.007) (Scopus Q1)
  • Kovalev M.S., Utkin L.V., & Kasimov E.M. (2020) SurvLIME: A method for explaining machine learning survival models // Knowledge-Based Systems, 203 (https://doi.org/10.1016/j.knosys.2020.106164) (Scopus Q1)
  • Meldo A., Utkin L., Kovalev M., & Kasimov E. (2020) The natural language explanation algorithms for the lung cancer computer-aided diagnosis system // Artificial Intelligence in Medicine, 108 (https://doi.org/10.1016/j.artmed.2020.101952) (Scopus Q1)
  • Utkin L.V. (2020) An imprecise deep forest for classification // Expert Systems with Applications, 141, № 112978 (https://doi.org/10.1016/j.eswa.2019.112978) (Scopus Q1)
  • Utkin L.V., & Coolen F.P.A. (2020) A new boosting-based software reliability growth model // Communications in Statistics – Theory and Methods (https://doi.org/10.1080/03610926.2020.1740736) (Scopus Q2)
  • Utkin L.V., Konstantinov A.V., Chukanov V.S., & Meldo A.A. (2020) A new adaptive weighted deep forest and its modifications // International Journal of Information Technology and Decision Making, 19(4), 963-986 (https://doi.org/10.1142/S0219622020500236) (Scopus Q2)
  • Utkin L.V., Kovalev M.S., & Coolen F.P.A. (2020) Imprecise weighted extensions of random forests for classification and regression // Applied Soft Computing Journal, 92 (https://doi.org/10.1016/j.asoc.2020.106324) (Scopus Q1)