DSA Faculty
API
← к списку преподавателей

Рахуба Максим Владимирович

Факультет компьютерных наук

Профиль на hse.ru ↗ тел.: 15707
Публикаций
32
Языков
2
Наград
9
Конференций
0
Профиль Публикации (32) Курсы (2)

Профессиональные интересы

тензорные методыматричный анализглубинное обучениеискусственный интеллектвычислительная математика

Должности

  • Заведующий лабораторией — Факультет компьютерных наук, Институт искусственного интеллекта и цифровых наук, Научно-учебная лаборатория матричных и тензорных методов в машинном обучении
  • Заместитель заведующего кафедрой — Факультет компьютерных наук, Департамент больших данных и информационного поиска, Базовая кафедра Института вычислительной математики им. Г.И. Марчука РАН
  • Доцент — Факультет компьютерных наук, Департамент больших данных и информационного поиска, Базовая кафедра Института вычислительной математики им. Г.И. Марчука РАН
  • Научный руководитель образовательной программы — Прикладная математика и информатика

Био

  • · Начал работать в НИУ ВШЭ в 2020 году.
  • · Научно-педагогический стаж: 13 лет.

Образование

  • 2017 · Кандидат физико-математических наук
  • 2014 · Магистратура: Московский физико-технический институт, специальность «Прикладные математика и физика», квалификация «Магистр»
  • 2012 · Бакалавриат: Московский физико-технический институт, специальность «Прикладные математика и физика», квалификация «Бакалавр прикладных математики и физики»

Опыт работы

  • · 2020: ВШЭ, доцент, сентябрь наст. время Высшая политехническая школа Цюриха (ETH Zurich), постдок (2018-2020), лектор (2020) Сколковский институт науки и технологий, младший научный сотрудник
  • · 2013-2018: UCLA, приглашенный исследователь, ноябрь

Награды и поощрения

  • · Нагрудный знак "Молодой ученый" (декабрь 2024)
  • · Благодарность первого проректора НИУ ВШЭ (март 2023)
  • · Благодарность факультета компьютерных наук НИУ ВШЭ (август 2022)
  • · Надбавка за академические успехи и вклад в научную репутацию НИУ ВШЭ (2023)
  • · Надбавка за публикации, вносящие особый вклад в международную научную репутацию НИУ ВШЭ (2024–2026)
  • · Надбавка за публикацию в журнале из Списка А (и приравненном к нему научном издании) (2023–2024)
  • · Надбавка за публикацию в международном рецензируемом научном издании (2021–2022)
  • · Лучший преподаватель — 2021–2025
  • · Группа высокого профессионального потенциала (кадровый резерв НИУ ВШЭ)Категория "Новые преподаватели" (2021–2022)

Гранты и проекты

  • — · 2021 - наст. вр.: Руководитель гранта РНФ 21-71-00119, “Адаптивные тензорные методы для дифференциальный уравнений в частных производных”.
  • 2017 · 2016 - 2017: Руководитель гранта РФФИ 16-31-00372, “Быстрый тензорный метод расчета электронной структуры”.

Идентификаторы исследователя

Публикации (32)

Jacobi-Davidson Method on Low-Rank Matrix Manifolds

2018 · ARTICLE · en

In this work we generalize the Jacobi--Davidson method to the case when the eigenvector can be reshaped into a low-rank matrix. In this setting the proposed method inherits the advantages of the original Jacobi--Davidson method, has lower complexity, and requires less storage. We also introduce a low-rank version of the Rayleigh quotient iteration which naturally arises in the Jacobi--Davidson method.

DOI ↗

Alternating Least Squares as Moving Subspace Correction

2018 · ARTICLE · en

In this note we take a new look at the local convergence of alternating optimization methods for low-rank matrices and tensors. Our abstract interpretation as sequential optimization on moving subspaces yields insightful reformulations of some known convergence conditions that focus on the interplay between the contractivity of classical multiplicative Schwarz methods with overlapping subspaces and the curvature of low-rank matrix and tensor manifolds. While the verification of the abstract conditions in concrete scenarios remains open in most cases, we are able to provide an alternative and conceptually simple derivation of the asymptotic convergence rate of the two-sided block power method of numerical algebra for computing the dominant singular subspaces of a rectangular matrix. This method is equivalent to an alternating least squares method applied to a distance function. The theoretical results are illustrated and validated by numerical experiments.

DOI ↗

Курсы (2)