Differences

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

--- dlcp2025:schedule [03/07/2025 05:21] – [Section 2. Machine Learning for Environmental Sciences] admin
+++ dlcp2025:schedule [03/07/2025 09:53] (current) – [Section 2. Machine Learning for Environmental Sciences] admin
@@ Line 43: / Line 43: @@
 ^^11:00-11:30  ^COFFEE BREAK  & Rigistration|  ||
 ||11:30-11:45  |83. USING MACHINE LEARNING METHODS FOR JOINT PROCESSING OF DATA FROM MULTIPLE SEMICONDUCTOR GAS SENSORS|Isaev I.V.||
-||11:45-12:00  |*82. {{ :dlcp2025:nazmutdinov-dlcp.pdf |Сравнение методов машинного обучения для учета связей с запаздыванием при моделировании городского острова тепла}}|Назмутдинов К.Ф.||
+||11:45-12:00  |51. {{ :dlcp2025:rezvov-dlcp.pdf |Нейросетевое пространственное масштабирование полей приповерхностного ветра над Баренцевым и Карским морями}}|Резвов В.Ю.||
-||12:00-12:15  |51. {{ :dlcp2025:rezvov-dlcp.pdf |Нейросетевое пространственное масштабирование полей приповерхностного ветра над Баренцевым и Карским морями}}|Резвов В.Ю.||
+||12:00-12:15  |15. {{ :dlcp2025:vostrikova-dlcp.pdf |Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения}}|С. А. Вострикова||
 ||12:15-12:30  |73. {{ :dlcp2025:gerasimov-dlcp.pdf |Моделирование турбулентного переноса примесей в планетарном пограничном слое с применением методов крупных вихрей и методов машинного обучения}}|И. А. Герасимов||
-||12:30-12:45  |*45. Application of Convolutional Neural Networks for Upper Ionosphere Remote Sensing Using All-Sky Camera Data|Andrei Vorobev||
+||12:30-12:45  |*45. {{ :dlcp2025:vorobev-dlcp.pdf |Application of Convolutional Neural Networks for Upper Ionosphere Remote Sensing Using All-Sky Camera Data}}|Andrei Vorobev||
-||12:45-13:00  |15. {{ :dlcp2025:vostrikova-dlcp.pdf |Восстановление приповерхностной влажности атмосферы над океаном с применением методов машинного обучения}}|С. А. Вострикова||
+||12:45-13:00  |*82. {{ :dlcp2025:nazmutdinov-dlcp.pdf |Сравнение методов машинного обучения для учета связей с запаздыванием при моделировании городского острова тепла}}|Назмутдинов К.Ф.||
 ^^13:00-14:30  ^LUNCH | ||
 ||14:30-14:45  |16. {{ :dlcp2025:belousova-dlcp.pdf |Сравнение моделей машинного обучения в задаче идентификации аномалий в данных визуальной съемки поверхности моря}}|Белоусова О.||
@@ Line 53: / Line 53: @@
 ||15:00-15:15  |Machine learning for statistical downscaling of precipitation spatial distribution characteristics in the Moscow region|Yarinich Yulia Ivanovna||
 ||15:15-15:30  |72. Deep Learning-Based Estimation of wind induced waves parameters from X-Band Radar Imagery|Alexander Suslov||
-||15:30-15:45  |92. Intercomparison of machine learning approaches for identifying hail from basic weather parameters|Blinov P.D.||
+||15:30-15:45  |*92. {{ :dlcp2025:blinov-dlcp.pdf |Intercomparison of machine learning approaches for identifying hail from basic weather parameters}}|Blinov P.D.||
 ^^15:45-16:00  ^COFFEE BREAK|  ||
 ||16:00-16:30|54. Foundation models of ocean and atmosphere in 2025: milestones and perspectives.|Krinitskiy M.A.||
@@ Line 71: / Line 71: @@
 ^^11:15-11:45  ^COFFEE BREAK ||
 ||11:45-  |Гамма-астрономия ультравысоких энергий и проект TAIGA-100| L.Kuzmichev||
-||     -12:15|                                                         |            ||
+||     -12:15|  (пленарный доклад)  |            ||
 ||12:15-12:30  |*70. Построение нейродифференциальных уравнений с применением методов обратных задач динамики|Шорохов С.Г.||
 ||12:30-12:45  |74. СОЗДАНИЕ ДИНАМИЧЕСКОГО КОГНОВИЗОРА – РАСПОЗНАВАНИЕ КОГНИТИВНЫХ СОСТОЯНИЙ С ПОМОЩЬЮ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ|Макаров Александр Сергеевич||
 ||12:45-13:00  |*78. Analysis of PINN Training Strategies for Heat Conduction Problems|Tarasov A.A.||
 ||13:00-13:15  |66. Comparison of Data Generation Methods for Spectral Analysis Using Variational Autoencoders|Mushchina A.S.||
-||13:15-13:30  |*87. Применение переноса обучения сверточной нейронной сети для повышения точности решения обратной задачи фотолюминесцентной наносенсорики|Г. Чугреева||
+||13:15-13:30  |*87. {{ :dlcp2025:chugreeva-dlcp.pdf |Применение переноса обучения сверточной нейронной сети для повышения точности решения обратной задачи фотолюминесцентной наносенсорики}}|Г. Чугреева||
 ^^13:30-14:45  ^LUNCH ||
-||14:45-15:00  | Reserve | ||
+||14:45-  |Новое поколение вычислительного оборудования для задач искусственного интеллекта в научных исследованиях  |В.Егоршев ||
-||15:00-15:15  | Reserve | ||
+||     -15:15|  (спонсорский доклад)  | ||
 ||15:15-15:30  |86. Probabilistic Spiking Neural Network with Correlation-based Memristive Synaptic Updates|Dmitry Kunitsyn||
 ||15:30-15:45  |85. Finding optimal carbon dots synthesis parameters for quantitative analysis of components in multi-component aqueous solutions using machine learning|Guskov A.A.||
@@ Line 85: / Line 85: @@
 ||16:00-16:15  |64. Optimization of IRT-T research reactor fuel loading pattern by genetic algorithm|N.V. Smolnikov||
 ||16:15-16:30  |59. Камни: Коллективная игра между агентами разнообразных типов, разработанная для изучения взаимодействия человека и искусственного интеллекта в многоагентной среде|Чернов К.Н.||
-||16:30-  |Новое поколение вычислительного оборудования для задач искусственного интеллекта в научных исследованиях  |В.Егоршев ||
+^^16:30        ^CLOSING OF THE CONFERENCE| ||
-||     -17:00|  | ||
-^^17:00        ^CLOSING OF THE CONFERENCE| ||