Бородич Екатерина Дмитриевна

Преподаватель Департамента больших данных и информационного поиска факультета компьютерных наук НИУ ВШЭ, стажёр-исследователь Научно-учебной лаборатории компании Яндекс при том же департаменте. Работает в университете с 2022 года. Окончила Московский физико-технический институт по направлению «Прикладные математика и физика»: бакалавриат — в 2021 году, магистратуру — в 2023-м с квалификацией «Магистр прикладной математики и физики». Круг служебных задач в лаборатории университет определяет как исследование численных методов оптимизации.

Ведёт курс «Методы оптимизации в машинном обучении» — дисциплину по выбору для третьекурсников бакалавриата по направлению 01.03.02 «Прикладная математика и информатика», 3 и 4 модули, 5 кредитов и 80 контактных часов плюс 20 онлайн-часов. Курс охватывает выпуклую, невыпуклую и непрерывную оптимизацию в приложениях машинного обучения — от базового материала до недавних исследований. В программе: матричные разложения и линейная алгебра в задачах оптимизации, условия оптимальности и двойственность, теорема Каруша — Куна — Таккера, линейное программирование, градиентный спуск и ускоренные градиентные методы, субградиентные и проксимальные методы, метод сопряжённых градиентов, метод натурального градиента, метод Ньютона и введение в методы внутренней точки. Отдельные разделы посвящены стохастическому градиентному спуску, методам редукции дисперсии SAG, SVRG и SAGA, седловым задачам, автоматическому дифференцированию и вычислительному графу, а также прикладным вопросам обучения больших моделей — LARS и LAMB, планировщикам скорости обучения, разогреву и обучению на нескольких GPU. Курс читается коллективом преподавателей департамента.

Научная работа посвящена седловым задачам, минимаксной оптимизации и распределённым методам оптимизации. До прихода на постоянную преподавательскую позицию прошла путь от инженера МФТИ (2021–2022) к младшему научному сотруднику (2022–2023), в 2023–2024 годах была стажёром-исследователем Института проблем передачи информации им. А.А. Харкевича РАН, с 2024 года — научный сотрудник МФТИ.

Работы опубликованы на ведущих конференциях по машинному обучению. В трудах ICML 2025 вышла статья «On Linear Convergence in Smooth Convex-Concave Bilinearly-Coupled Saddle-Point Optimization: Lower Bounds and Optimal Algorithms», написанная в соавторстве с А. Гасниковым и Д. Ковалёвым. На конференции NeurIPS 2024 представлена работа «Lower bounds and optimal algorithms for non-smooth convex decentralized optimization over time-varying networks» — о нижних оценках и оптимальных алгоритмах децентрализованной оптимизации в сетях с меняющейся во времени топологией. Статья «Variance reduction for minimax problems with a small dimension of one of the variables» опубликована в журнале «Computer Research and Modeling» (2022, т. 14, № 2, с. 257–275).

В профиле ORCID заявлены также статья «Accelerated variance-reduced methods for saddle-point problems» в EURO Journal on Computational Optimization (2022) и препринты «Optimal Gradient Sliding and its Application to Distributed Optimization Under Similarity» (2022), «Decentralized Personalized Federated Learning: Lower Bounds and Optimal Algorithm for All Personalization Modes» и «Decentralized personalized federated min-max problems» (2021). Тематика публикаций напрямую совпадает с содержанием читаемого курса, что делает дисциплину продолжением собственной исследовательской работы.