Модель машинного обучения, основанного на операции сходства

В докладе будет рассказано, как, используя методы прикладной теории решеток и теории цепей Маркова, проводить интеллектуальный анализ данных, выделяя общие части описания объектов в качестве причин для проявления целевого свойства.
Знаний теории решеток не предполагается. Предварительное знакомство с теорией цепей Маркова и производящими функциями (моментов) будет полезно, хотя при изложении все необходимые понятия будут напоминаться.
Мы обсудим алгоритмы поиска сходств, проблему переобучения, теорию Вапника-Червоненкиса. Будет рассказано о программной реализации предложенных алгоритмов и ее применении к двум массивам данных из MLR UCI (SPECT Hearts и Mushrooms).
Все результаты будут сформулированы, а для наиболее нетривиальных (теорема о надежности, теорема об учете предварительных прогонов) будут приведены наброски доказательств.
Наконец, будут сформулированы некоторые открытые проблемы (и указаны трудности, препятствующие применению техник, приведших к их решениям в простейшем случае решетки Булеана).
Приглашаются исследователи в области ИИ и студенты, интересующиеся проблематикой машинного обучения.