Тендай Чикаке

Ментор
Тендай Мапунгвана Чикаке — младший научный сотрудник центра прикладных лингвистических исследований и тестирования «ИСТОК» МФТИ, аспирант кафедры дискретной математики ФПМИ МФТИ

Контакты
tendaichikake@phystech.edu
https://t.me/tendai_mapungwana

Проект: Гибридное интерпретируемое моделирование данных: псевдобулева полиномиальная декомпозиция в связке с современными методами машинного обучения
Проект посвящен построению гибридных моделей анализа данных, в которых детерминированная математическая модель структуры данных, разложение матрицы наблюдений в псевдобулев (мультилинейный) полином, эквивалентное спектральному преобразованию Уолша-Адамара, служит интерпретируемым слоем извлечения признаков, а поверх него обучается современная ML-модель (градиентный бустинг или нейросеть).

Менти выбирает одну прикладную область (изображения, геномные данные, сигналы датчиков или временные ряды), реализует конвейер «полиномиальная декомпозиция → ML-модель» и сравнивает его с классическими бейзлайнами (PCA, прямое обучение) по точности, интерпретируемости и устойчивости.

Цель: показать, где математически прозрачное моделирование признаков дает выигрыш, а где уступает сквозному обучению, и сформулировать границы применимости метода. По итогам менти получает навыки математического и компьютерного моделирования, постановки воспроизводимых вычислительных экспериментов и подготовки результатов к научной публикации. Базовая программная библиотека (PBP) и наборы данных предоставляются ментором; результат — статья студенческого уровня или доклад на конференции.

Научные интересы

• Математическое моделирование структуры данных через мультилинейные (псевдобулевы) полиномиальные представления и спектральное преобразование Уолша-Адамара
• Интерпретируемое снижение размерности и извлечение признаков без обучения (training-free, детерминированные модели)
• Гибридные конвейеры: сочетание детерминированных полиномиальных моделей с современными методами машинного обучения (градиентный бустинг, нейросети)
• Дискретная оптимизация и комбинаторные методы в анализе данных
• Прикладное моделирование: компьютерное зрение, геномика (эпистаз, перт-seq), детекция аномалий в сенсорных сетях, диагностика по сигналам
• Воспроизводимость и строгая валидация вычислительных экспериментов