BCJR-алгоритм — алгоритм декодирования по методу максимума апостериорной вероятности (МАP) контролирующих ошибки кодов, определённых на решётках. Алгоритм обычно используется для итеративных схем декодирования кодов, таких как турбо-коды и код с малой плотностью проверок на чётность (LDPC-код).
Даббала Раджагопал «Радж» Редди — учёный в области теории вычислительных систем, профессор по информатике и робототехнике при университете Карнеги — Меллон. Награждён в 1994 году премией Тьюринга за достижения в исследовании искусственного интеллекта, в частности экспертных систем.
Фредери́к Фи́ллипс Брукс-младший — американский учёный в области теории вычислительных систем, автор книги «Мифический человеко-месяц». Управлял разработкой OS/360 в IBM. Награждён Премией Тьюринга в 1999 году.
Лоренс Рабинер — инженер AT&T, учёный в области цифровой обработки сигналов и распознавания речи. Член Национальной академии наук США. Занимается исследованиями и преподаёт в Рутгерском и Калифорнийском университетах.
Винсент Рэймен — бельгийский криптограф, автор многочисленных научных публикаций в области симметричной криптографии и один из двух разработчиков Advanced Encryption Standard (AES). Также вместе с Paulo S. L. M. Barreto он является разработчиком криптографической хеш-функции WHIRLPOOL и блочных шифров Anubis, KHAZAD, Noekeon и SHARK.
Бе́неш, Ва́цлав Э́двард — чешско-американский математик, известный своими работами по теории стохастических процессов, теории очередей и теории управления, а также в области проектирования коммутаторов для сетей связи.
Синхронный автоматический перевод — «моментальный» машинный перевод речи, с одного естественного языка на другой, с помощью специальных программных и технических средств. Так же называется направление научных исследований, связанных с построением подобных систем.
Манфред Роберт Шрёдер — немецкий физик-теоретик, работал в области акустики.
Глубокое обучение — совокупность методов машинного обучения, основанных на обучении представлениям, а не специализированных алгоритмах под конкретные задачи. Многие методы глубокого обучения были известны ещё в 1980-е, но результаты не впечатляли, пока продвижения в теории искусственных нейронных сетей и вычислительные мощности середины 2000-х годов не позволили создавать сложные технологические архитектуры нейронных сетей, обладающие достаточной производительностью и позволяющие решать широкий спектр задач, не поддававшихся эффективному решению ранее, например, в компьютерном зрении, машинном переводе, распознавании речи, причём качество решения во многих случаях теперь сопоставимо, а в некоторых превосходит эффективность человека.
Валерий Денисович Го́ппа — советский и российский математик, известен как разработчик особого класса линейных кодов коррекции ошибок, использующих идеи из алгебраической геометрии — кодов Гоппы.
Жиль Брассар — канадский физик-теоретик. Известен своими работами по квантовой телепортации, квантовой запутанности, а также квантовой криптографии, в частности созданием протокола BB84.
Аутентификация по радужной оболочке глаза — одна из биометрических технологий, используемая для проверки подлинности личности.
Распознавание по голосу — одна из форм биометрической аутентификации, позволяющая идентифицировать личность человека по совокупности уникальных характеристик голоса. Относится к динамическим методам биометрии. Однако, поскольку голос человека может меняться в зависимости от возраста, эмоционального состояния, здоровья, гормонального фона и целого ряда других факторов, не является абсолютно точным. По мере развития звукозаписывающей и воспроизводящей техники, технология распознавания применяется с различным успехом в сфере защиты информации, охраны и систем доступа, криминалистике.
База данных MNIST — объёмная база данных образцов рукописного написания цифр. База данных является стандартом, предложенным Национальным институтом стандартов и технологий США с целью калибрации и сопоставления методов распознавания изображений с помощью машинного обучения в первую очередь на основе нейронных сетей. Данные состоят из заранее подготовленных примеров изображений, на основе которых проводится обучение и тестирование систем. База данных была создана после переработки оригинального набора чёрно-белых образцов размером 20x20 пикселей NIST. Создатели базы данных NIST, в свою очередь, использовали набор образцов из Бюро переписи населения США, к которому были добавлены ещё тестовые образцы, написанные студентами американских университетов. Образцы из набора NIST были нормализированы, прошли сглаживание и приведены к серому полутоновому изображению размером 28x28 пикселей.
Гео́ргиос Б. Янна́кис — греческий и американский учёный в области информатики, специалист по беспроводным телекоммуникациям, профессор факультета электронной и компьютерной инженерии Миннесотского университета и директор Центра цифровых технологий при этом же университете. Согласно исследованиям транснациональной медиакомпании Thomson Reuters 2015 и 2016 годов, Яннакис входит в число ведущих учёных мира, оказывающих наибольшее влияние на развитие соответствующих отраслей знаний. Имеет h-индекс равный 125 и был процитирован более 60 100 раз.
Длинная цепь элементов краткосрочной памяти — разновидность архитектуры рекуррентных нейронных сетей, предложенная в 1997 году Зеппом Хохрайтером и Юргеном Шмидхубером. Как и большинство рекуррентных нейронных сетей, LSTM-сеть является универсальной в том смысле, что при достаточном числе элементов сети она может выполнить любое вычисление, на которое способен обычный компьютер, для чего необходима соответствующая матрица весов, которая может рассматриваться как программа. В отличие от традиционных рекуррентных нейронных сетей, LSTM-сеть хорошо приспособлена к обучению на задачах классификации, обработки и прогнозирования временных рядов в случаях, когда важные события разделены временными лагами с неопределённой продолжительностью и границами. Относительная невосприимчивость к длительности временных разрывов даёт LSTM преимущество по отношению к альтернативным рекуррентным нейронным сетям, скрытым марковским моделям и другим методам обучения для последовательностей в различных сферах применения. Из множества достижений LSTM-сетей можно выделить наилучшие результаты в распознавании несегментированного слитного рукописного текста, и победу в 2009 году на соревнованиях по распознаванию рукописного текста (ICDAR). LSTM-сети также используются в задачах распознавания речи, например LSTM-сеть была основным компонентом сети, которая в 2013 году достигла рекордного порога ошибки в 17,7 % в задаче распознавания фонем на классическом корпусе естественной речи TIMIT. По состоянию на 2016 год ведущие технологические компании, включая Google, Apple, Microsoft и Baidu, используют LSTM-сети в качестве фундаментального компонента новых продуктов.
Индифферентный граф — это неориентированный граф, построенный путём назначения вещественного числа каждой вершине и соединения двух вершин ребром, когда их числа отличаются не более чем на единицу. Индифферентные графы являются также графами пересечений множеств единичных отрезков или интервалов с определённым свойством вложения. Основываясь на этих двух типах интервальных представлений, эти графы называются также графами единичных отрезков или собственными интервальными графами. Индифферентные графы образуют подкласс интервальных графов.
Джулия Хиршберг — американский информатик, специалист по компьютерной лингвистике. Дважды доктор (PhD), именной профессор Колумбийского университета, член Американского философского общества (2014) и Национальной инженерной академии США (2017).
Ансамблевое обучение — техника машинного обучения, использующая несколько обученных алгоритмов с целью получения лучшей предсказательной эффективности, чем можно было бы получить от каждого алгоритма по отдельности. В отличие от статистического ансамбля в статистической механике, который обычно бесконечен, ансамбль моделей в машинном обучении состоит из конкретного конечного множества альтернативных моделей, но обычно позволяет существовать гораздо более гибким структурам.
Расстояние редактирования графа — это коэффициент сходства между двумя графами. Концепцию расстояния редактирования графа впервые сформулировали математически Альберто Санфелиу и Кинг-Сан Фу в 1983. Главное приложение расстояния редактирования графа — в неточном сопоставлении графов, таких как устойчивое распознавание образов в машинном обучении.
