NSS Lab News

А кроме того - сегодня последний день регистрации на Data Fest Siberia 2026 в Новосибирске!

Там 10 октября в 16-00. сотрудник лаборатории Глеб Соловьев выступит с докладом "На пути к AI For Science", в котором расскажет про наши свежайшие результаты в области ИИ для науки.

Выступление в 16-00, 10 октября.

Кроме того, на той же площадке будет доклад Ивана Бондаренко про фреймворк RAGU, в развитии которого мы участвуем.

Про нас упоминают - говорят, создаем крепкую базу.

>Ученые и преподаватели, создающие фундаментальную базу и кадровый резерв
https://www.vedomosti.ru/partner/articles/2026/10/06/1234391-uchenie-prepodavateli

Но вообще в тексте неточность - в 2026 мы представили куда больше фреймворков)

Конкретно на FEDOT MAS можно посмотреть тут.

Поздравляем победителей конкурса грантов для студентов и аспирантов КНВШ в 2026 году!

Из 140 победителей из университета ИТМО трое - сотрудники нашей лаборатории:

Соловьев Глеб Витальевич (аспирант ФТИИ 3-го курса, сейчас выходит на защиту)
Проект: «Применение комплексных методов искусственного интеллекта для решения слабоформализованных научных и инженерных задач в генеративном дизайне физических объектов».

Дубровский Иван Сергеевич (аспирант ФТИИ 2-го курса)
Проект: «Разработка методов сравнительной и диагностической оценки больших языковых моделей и систем анализа научной литературы».

Барахсин Григорий Михайлович (магистрант, сейчас - аспирант ФТИИ 1-го курса)
Проект: «Иерархические LLM‑оценщики и сопоставление сигналов трасс с управленческими аспектами жизненного цикла мультиагентных систем».

Тем кто подавался, но не прошел - удачи в следующем году)

Наше сотрудничество с меж-университетской командой RAGU тоже продолжается - на archival-воркшоп DocInsights 2026 принята совместная с Иваном Бондаренко из НГУ статья When Harness Beats Scale, and When Reading Beats Both (пока выложили как препринт). Написана по мотивам участия Ивана в соревновании DocSem.

Статья будет представлена на EMNLP вместо с основной статьёй про RAGU, принятой на EMNLP Demo.

Следующая статья цикла уже рецензируется на ICLR, ко второй части соревнования тоже попробуем подступиться.

На днях вышла новая журнальная статья - в IEEE Geoscience and Remote Sensing Letters (Q1).

Deep Learning for Super-Resolution of Sea Ice Concentration: Case Study of OSISAF Down-Scaler
Авторы: Юлия Борисова, Дмитрий Морозов, Дмитрий Гилемханов, Николай Никитин

Помимо уже знакомых подписчикам имен сотрудников NSS Lab, свою первую статью выпустил Дмитрий - студент бакалавриата ИИИ ИТМО и участник учебно-научной лаборатории AIST.

Это расширенная версия работы с воркшопа Machine Learning for Remote Sensing на ICLR 2026. Задача здесь практическая: как получить детальные карты концентрации морского льда, если исторические спутниковые данные доступны только в относительно низком разрешении?

В качестве исходных данных используется продукт OSI SAF с пространственным разрешением около 25 км. При этом существует более детальный продукт MASAM2 с разрешением около 4 км, в котором данные дополнительно уточняются с использованием нескольких источников. Проблема в том, что такая детальная информация доступна далеко не для всей исторической ретроспективы.
Идея работы - научить нейросеть восстанавливать MASAM2-подобные поля из одного только OSI SAF. То есть несколько источников данных нужны во время обучения, а после обучения модели достаточно только грубого поля концентрации льда. В результате этот подход потенциально позволяет получить более детальное представление исторических данных, для которых MASAM2 ещё не существовал.

Что получилось:

Super-resolution. Модель увеличивает пространственное разрешение примерно с 25 до 4 км и при этом не просто «растягивает» картинку, а восстанавливает более реалистичную геометрию ледовой кромки. У Light U-Net MAE составляет 0.010 и SSIM — 0.961. Для сравнения, у билинейной интерполяции MAE — 0.071, а SSIM — 0.879.

Простая архитектура. Помимо облегчённого U-Net мы проверили Attention U-Net. Добавление attention-механизмов практически не улучшило качество: обе модели дают MAE около 0.010 и SSIM около 0.961. Поэтому в данном случае более сложная архитектура не окупается. Аналогично сравнение было выполнено и с архитектурой conditional diffusion (аналогично, она не дает улучшения в качестве).

Применимость для исторических данных. Метод, который напрямую использует дополнительные контуры льда MASIE, лучше работает по части метрик ледовой кромки. Но ему эти дополнительные данные нужны непосредственно при построении каждого поля. Нейросети после обучения достаточно только OSI SAF - и именно это делает подход интересным для восстановления длинных исторических рядов.

В итоге задача здесь немного шире классического super-resolution: мы пытаемся перенести информацию из более богатого многосенсорного продукта в модель так, чтобы затем использовать её для улучшения данных, где доступен только один источник.

Код: https://github.com/ITMO-NSS-team/GRSL_masam2_downscaling

Выступил на днях с приглашенным докладом на летней школе по ИИ в SMBU (университете, организованном МГУ и Пекинским Политехом в городе Шэньчжэне).

Рассказал про современное состояние ИИ-мультиагентов и наши свежие результаты (например, про принятые недавно на EMNLP Industrial и Demo три статьи от NSS Lab). Вопросов было много и по делу, видно что тема для всех очень актуальная.

Для желающих подробностей: детальное описание мероприятия запостил в своем канале также выступавший на школе Дмитрий Ватолин (МГУ).

Работа магистрантов ФТИИ Ивана Кирпичева и Эльдара Курманалиева (под руководством Анны Калюжной) под названием "Towards Ontology-Driven Multi-Hop Benchmark for Corporate GraphRAG Systems" успешно представлена в Бремене - на тематическом archival-воркшопе А*-конференции IJCAI.

Cтатья посвящена созданию основанного на корпоративной онтологии бенчмарку для GraphRAG-систем, проверяющему их способность отвечать на сложные многошаговые вопросы из финансовой сферы. Он включается 4000 провалидированных экспертами пар вопрос-ответ, разделенных на 4 категории, а также массив сырых данных.

Статью приняли сразу на устный и постерный формат.

Cсылка для цитирования:

@ inproceedings{kirpichev2026towards,
title={Towards Ontology-Driven Multi-Hop Benchmark for Corporate GraphRAG Systems},
author={Kirpichev, Ivan and Kurmanaliev, Eldar and Bushmelev, Fedor and Abramov, Maxim and Korepanova, Anastasiia and Kalyuzhnaya, Anna and Nikitin, Nikolay},
booktitle={Joint Workshop on Generative AI and Knowledge Graphs and Knowledge Graphs Agentic Systems Interplay},
year={2026}
}

Мини-игра "найди на фотографии аспиранта ФТИИ и м.н.с. NSS Lab Андрея Гетманова, принявшего участие в Школе AIRI 2026, прошедшей недавно в Усть-Лабинске".

В ходе школы Андрей реализовал проект "Continual learning in audio deep fake detection":

Проект посвящён разработке системы непрерывного обучения для обнаружения аудиодипфейков. Современные детекторы быстро теряют актуальность по мере появления новых моделей синтеза и преобразования голоса, а обычное дообучение на новых типах атак может ухудшать качество распознавания уже известных дипфейков. Цель проекта - создать подход, который позволит модели последовательно адаптироваться к новым генераторам и доменам без катастрофического забывания ранее изученных атак. Итогом исследования должен стать воспроизводимый бенчмарк и улучшенный метод детекции, способный сохранять качество на старых атаках и эффективно осваивать новые.

По результатам готовится А*-статья.

На обратном пути с ICML нанёс визит в Harbin Institute of Technology (это в Китае) - в ходе него поучаствовал в нескольких семинарах, на которых рассказал о наших свежих результатах и текущих проектах, в которых можно поучаствовать.

Договорились c профессорами и студентами из School of Computer Science and Technology о научном сотрудничестве по нескольких направлениям (AutoML, LLM-агенты, AI4Science) - надеюсь всё получится.

Бонусом фото из их кампуса - почти как в Академгородке.