ИСТИНА

Проект направлен на создание новых приближенных методов вывода в марковских случайных полях и настройки их параметров (обучения), которые позволили бы не просто находить близкие к оптимальным значения скрытых переменных, но и учитывать различные потенциалы высоких порядков. Такие потенциалы, например, могут задавать ограничения на маргинальные статистики значений переменных марковского поля. Актуальность данной задачи обусловлена, с одной стороны, отсутствием на сегодняшний день эффективных методов, способных учитывать потенциалы высоких порядков, а, с другой стороны, практической потребностью в таких методах, например, для введения регуляризаторов на площади и формы объектов, в задачах автоматической сегментации изображений. Основное внимание в ходе проекта будет уделено дискретным марковским полям, которые в настоящее время получили широкое распространение в мире. В качестве методологической основы проекта предполагается взять идею т.н. разложения марковских полей с сохранением структуры поля. Такой подход позволяет искать приближенное решение NP-трудной задачи с помощью рассмотрения ряда полиномиально-разрешимых подзадач. Другим важным достоинством разложения марковских полей с сохранением структуры поля является относительная простота встраивания в подзадачи ограничений на многие виды маргинальных статистик. В ходе проекта предполагается сформулировать и изучить новую постановку задачи настройки параметров марковского поля, предполагающую, что на этапе вывода пользователю известны значения маргинальных статистик. Использование этой информации позволит получить более точные методы обучения марковских полей, учитывающих специфику решаемой задачи. Разработанные в ходе проекта методы будут применены для решения нескольких практически важных задач компьютерного зрения, лингвистики, нейробиологии, когнитивных исследований, и др.

Поставленные в проекте задачи выполнены в необходимом объеме с учетом сокращения финансирования