Разработка алгоритмов онлайн оптимизации в гильбертовых пространствах с воспроизводящим ядром (RKHS) на основе случайных признаков. Ключевая проблема состоит в разработке класса методов, эффективных для анализа нелинейных зависимостей в режиме онлайн.

В рамках этой проблемы проводятся следующие исследования. Разработка и теоретическое обоснование техники переноса конечномерных алгоритмов выпуклой онлайн оптимизации в непараметрическую постановку (пространства RKHS) с помощью аппроксимации на основе случайных признаков. Проектирование и анализ алгоритмов, эффективных в нестационарных средах, где истинная зависимость между данными меняется со временем, а способность алгоритмов адаптироваться к таким изменениям формализуется и измеряется через понятие динамического сожаления. Построение ансамблей моделей для уменьшения зависимости от настраиваемых параметров. Построение алгоритмов адаптивных к сложности последовательности сравнения. Повышение вычислительной эффективности и масштабируемости. Эмпирическая валидация на синтетических и реальных данных, характеризующихся, например, различными типами нелинейности и нестационарности.

Методы распознавания ИИ в научных и иных текстах, анализ данных и исследования ML. Формирование human-интегрированных моделей и ресурсов ИИ. Математические основы ИИ.

Разработка и формирование теоретических основ для моделей распознавания ИИ. Изучение математических основ ИИ, прецендентов и перспектив использования фундаментальных основ математики в развитии ИИ. Интеграция решений с партнерами, формирование постоянно действующего информационного ресурса. Интеграция с научными коллективами и отдельными учеными (проектами).