DSA Faculty
API
← к списку преподавателей

Миркин Борис Григорьевич

Факультет экономических наук

Профиль на hse.ru ↗ тел.: +7(499) 152-0151 | 27776 | +7(963) 723-4021
Публикаций
147
Языков
2
Наград
14
Конференций
3
Профиль Публикации (147) Курсы (6)

Профессиональные интересы

математические методы анализа

Должности

  • Ведущий научный сотрудник — Факультет экономических наук, Международный центр анализа и выбора решений
  • Профессор — Факультет компьютерных наук, Департамент анализа данных и искусственного интеллекта

Био

  • · Начал работать в НИУ ВШЭ в 2008 году.
  • · Научно-педагогический стаж: 51 год.

Образование

  • 1990 · Доктор наук: Институт системных исследований АН СССР и ГКНТ, специальность 05.13.01 «Системный анализ, управление и обработка информации», тема диссертации: Матрично-аппроксимационный подход к анализу разнотипной информации
  • 1975 · Старший научный сотрудник
  • 1975 · Ученое звание: Доцент
  • 1966 · Кандидат наук: специальность 01.01.06 «Математическая логика, алгебра и теория чисел», тема диссертации: Некоторые построения в алгебре событий
  • 1964 · Специалитет: Саратовский государственный университет им. Н.Г. Чернышевского, специальность «Математика», квалификация «Математик»

Опыт работы

  • · 1967-1982: Мнс, снс (1968), зав. сектором (1975) Институт Экономики и организации промышленного производства СО АН СССР, г. Новосибирск
  • · 1982-2000: Снс, внс (1989) Центральный экономико-математический институт РАН РФ, г. Москва
  • · 2000-2008: Профессор Биркбек колледж Лондонского университета, Лондон, Великобритания
  • · 2008-н.вр. Профессор Национальный исследовательский университет Высшая школа экономики, г. Москва, РФ
  • · Совместительство
  • · 1970-1982: Доцент Кафедра мат. методов в экономике, Новосибирский госуниверситет МВССО РФ, г. Новосибирск
  • · 1984-1991: Доцент Кафедра высшей математики и статистики, Высшая школа профдвижения ВЦСПС СССР, г. Москва
  • · 2008-2010: Профессор Биркбек колледж Лондонского университета, г. Лондон, Великобритания
  • · 2009-2024 г.: Внс Международная лаборатория анализа и выбора решений, НИУ ВШЭ, г. Москва, РФ

Награды и поощрения

  • · Благодарность НИУ ВШЭ (апрель 2025)
  • · Почетная грамота Министерства науки и высшего образования Российской Федерации (июль 2023)
  • · Медаль "Признание - 15 лет успешной работы" НИУ ВШЭ (декабрь 2022)
  • · Почетный знак II степени Высшей школы экономики (март 2018)
  • · Почётная грамота Факультета компьютерных наук НИУ ВШЭ (декабрь 2017)
  • · Почетная грамота Высшей школы экономики (декабрь 2016)
  • · Премия Высшей школы экономики "Золотая Вышка" (декабрь 2012)
  • · Благодарность Высшей школы экономики (ноябрь 2012)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2020–2021, 2018–2020)
  • · Надбавка за регулярные публикации в международных рецензируемых научных изданиях (2021–2026)
  • · Надбавка за статью в зарубежном рецензируемом журнале (2015–2017, 2013–2015, 2011–2013)
  • · Надбавка за статью в зарубежном рецензируемом научном издании (2016–2018)
  • · Лучший преподаватель — 2013, 2011
  • · Лауреат премии "Золотая Вышка" 2012 в номинации Достижения в науке

Гранты и проекты

  • — · на соискание учёной степени кандидата наук

Конференции (3)

Показать все
  • · 2021: 2021 IEEE International Conference on Artificial Intelligence and Big Data Analytics (Bandung). Доклад: Method for Taxonomic Content-Analysis of Text Collections
  • · 2020: Научно-практическая конференция "Наука о данных" (Санкт-Петербург). Доклад: Наука о данных и статистика: история, содержание, перспективы
  • · 2015: Systems Analysis 2015 (Vienna). Доклад: Data Summarization at Clustering and Ranking

Идентификаторы исследователя

Публикации (147)

Review of “Cell formation in industrial engineering: theory, algorithms and experiments” by Boris Goldengorin, Dmitry Krushinsky, Panos M. Pardalos

2014 · ARTICLE · en

A review of the book in two perspectives: engineering design and data analysis.

PDF ↗

Selecting the Minkowski Exponent for Intelligent K-Means with Feature Weighting

2014 · CHAPTER · en

Recently, a three-stage version of K-Means has been introduced, at which not only clusters and their centers, but also feature weights are adjusted to minimize the summary p-th power of the Minkowski p-distance between entities and centroids of their clusters. The value of the Minkowski exponent p appears to be instrumental in the ability of the method to recover clusters hidden in data. This paper advances into the problem of finding the best p for a Minkowski metric-based version of K-Means, in each of the following two settings: semi-supervised and unsupervised. This paper presents experimental evidence that solutions found with the proposed approaches are sufficiently close to the optimum.

DOI ↗ PDF ↗

Меры релевантности строка-текст в проблеме рубрикации научных статей

2014 · ARTICLE · ru

Проблема оценки релеватности строк и текстов возникает в различных задачах, связанных с анализом текстовой информации: информационный поиск и извлечение документов (information retrieval), вывод гипотез из текста, (textual entailment), категоризация текстов (text categorization), автоматическое реферирование текстов (automatic summarization) и при создании вопросо-ответных систем [question answering]. В этих задачах используются разные модельные и экспериментальные подходы: либо семантические, основанные на оценке схожести смыслов, либо статистические, основанные на сравнении частот строк в разных текстах. В этой работе рассматривается задача аннотации научной публикации (текста) темами таксономии-рубрикатора (строками). Для оценки релеватности строки тексту используется метод аннотированного суффиксного дерева (АСД).

PDF ↗

Least-squares consensus clustering versus: (a) other consensus approaches and (b) k-means

2014 · CHAPTER · en

We develop a consensus clustering framework proposed three decades ago in Russia and experimentally demonstrate that our least squares consensus clustering algorithm consistently outperforms several recent consensus clustering methods.

PDF ↗

An AST method for scoring string-to-text similiarity in semantic text analysis

2014 · CHAPTER · en

Abstract. A suffix-tree based method for measuring similarity of a key phrase to an unstructured text is proposed. The measure involves less computation and it does not depend on the length of the text or the key phrase. This applies to the following tasks in semantic text analysis: Finding interrelations between key phrases over a set of texts; Annotating a research article by topics from a taxonomy of the domain; Clustering relevant topics and mapping clusters on a domain taxonomy.

PDF ↗

MFWK-Means: Minkowski Metric Fuzzy Weighted K-Means for high dimensional data clustering

2013 · CHAPTER · en

This paper presents a clustering algorithm, namely MFWK-Means, which is a novel extension of K-Means clustering to the case of fuzzy clusters and weighted features. First, the Weighted K-Means criterion utilizing Minkowski metric is adopted to solve the problem of feature selection for high dimensional data. Then, a further extension to the case of fuzzy clustering is presented to group datasets with natural fuzziness of cluster boundaries. Also, we adopt an intelligent version of K-Means, using Mirkin’s method of Anomalous Pattern for initialization. Our new Minkowski metric Fuzzy Weighted K-Means (MFWK-Means) is experimentally validated on both benchmark datasets and synthetic datasets. MFWK-Means is shown to be competitive and more stable against noise in comparison with a variety of versions of K-Means based methods. Moreover, in most situations it reaches the highest clustering accuracy at wider intervals of Minkowski exponent.

PDF ↗

Summary and semi-average similarity criteria for individual clusters

2013 · CHAPTER · en

There exists much prejudice against the within-cluster summary similarity criterion which supposedly leads to collecting all the entities in one cluster. This is not so if the similarity matrix is pre-processed by subtraction of ``noise'', of which two ways, the uniform and modularity, are mentioned in the paper. Another criterion under consideration is the semi-average within-cluster similarity, which manifests more versatile properties. In fact, both types of criteria emerge in relation to the least-squares data approximation approach to clustering, as shown in the paper. A very simple local optimization algorithm, Add-and-Remove($S$), leads to a suboptimal cluster satisfying some tightness conditions. Three versions of an iterative extraction approach are considered, leading to a portrayal of the cluster structure of the data. Of these, probably most promising is what is referred to as the incjunctive clustering approach. Applications are considered to the analysis of semantics, to integrating different knowledge aspects and consensus clustering.

PDF ↗

Анализ паттернов в статистике и динамике, часть 2: Примеры применения к анализу социально-экономических процессов

2013 · ARTICLE · ru

В данной работе термин «паттерн» используется для обозначения комбинаций параметров значимых признаков, характерных для определённых групп объектов, соответствующих отличающимся от других типам поведения. В предыдущей части работы представлен обзор литературы в каждом из трёх основных аспектов этого понятия: использование понятия паттерн в науке и технике, методы кластер-анализа, динамика многомерных объектов, а также предложено уточнение этого понятия в эквивалентных, но когнитивно-различающихся терминах: (а) параллельные координаты, (б) конъюнктивные описания, (в) геометрических «боксов». В этой части статьи представлены примеры статического и динамического анализа паттернов в данных на основе использования формализма параллельных координат. Под статическим анализом понимается использование двухэтапного метода для автоматизации формирования паттернов. На первом этапе обычный кластер-анализ применяется для формирования кластеров, на втором – ищутся паттерны, достаточно полно и точно представляющие полученные кластеры. Динамический анализ паттернов основан на анализе частоты смены паттерна объектами для определения типов устойчивости их функционирования. Такая типологизация может оказаться полезным инструментом анализа и управления объектами. Кроме того, она способствует выделению групп риска стратегического развития объектов. Нами рассмотрены проблематика и соответствующие данные для: (а) сопоставительного макроэкономического анализа, (б) оценки эффективности и выявления бизнес-моделей коммерческих банков в Турции и России, (в) анализа паттернов поведения избирателей в условиях многопартийной системы в Великобритании и Финляндии, а также (г) исследования проблем инновационного развития регионов Российской Федерации в долгосрочной перспективе. Это рассмотрение в значительной степени является обзором отдельных проектов, сделанных с участием авторов данной работы, часть из которых была выполнена ещё до того, как в полной мере сложилось понятие паттерна, развиваемое в данной статье. В этом плане можно рассматривать данную статью как обобщение этих более ранних публикаций.

PDF ↗

О ПОНЯТИИ НАУЧНОГО ВКЛАДА И ЕГО ИЗМЕРИТЕЛЯХ

2013 · ARTICLE · ru

Предлагается оценивать научный вклад результатов по уровню той научной области, которая изменилась в результате оцениваемой работы, в иерархической классификации наук. С этой точки зрения критически рассмотрены современные оценки публикаций и иных результатов научной деятельности. Обсуждаются способы объек- тивизации оценок.

PDF ↗

Least squares consensus clustering: criteria, methods, experiments

2013 · CHAPTER · en

Произведена эксперементальная демонстранция превосходства алгоритмов консенсусной кластеризации, основанных на методе наименьших квадратов, по сравнению с недавними алгоритмами этой же области.

PDF ↗

Курсы (6)