Морозов Станислав Викторович

Преподаватель факультета компьютерных наук НИУ ВШЭ — департамента больших данных и информационного поиска и базовой кафедры Института вычислительной математики им. Г. И. Марчука РАН. В университете работает с 2025 года, научно-педагогический стаж, по данным Вышки, составляет 5 лет. В 2020 году окончил магистратуру Московского государственного университета им. М. В. Ломоносова по специальности «Прикладная математика и информатика». Профессиональные интересы — нейросетевые модели и численные методы линейной алгебры.

Научная работа посвящена малоранговым приближениям матриц и тензоров в чебышёвской (равномерной) норме — задаче, где, в отличие от классического приближения в норме Фробениуса, нет готового решения через сингулярное разложение. В журнале Linear Algebra and its Applications (2023, т. 679) вышла его статья «On the optimal rank-1 approximation of matrices in the Chebyshev norm», написанная совместно с М. Смирновым и Н. Замарашкиным. В Russian Journal on Numerical Analysis and Mathematical Modelling (2024, т. 39, № 5) опубликована работа «Refining uniform approximation algorithm for low-rank Chebyshev embeddings» в соавторстве с Д. Желтковым и А. Осинским. В 2026 году в итальянском журнале Calcolo (т. 63, № 2) вышла его самостоятельная статья «Analysis of the alternating minimization method for low-rank canonical polyadic decomposition in the Chebyshev norm» об анализе метода поочерёдной минимизации для канонического полиадического разложения.

В 2025/2026 учебном году читает курс «Математические основы нейросетевых моделей» — дисциплину общефакультетского пула ФКН объёмом 4 кредита и 40 контактных часов, которая идёт в третьем модуле. Курс заявлен от базовой кафедры Института вычислительной математики РАН и ведётся вдвоём с Б. И. Валиахметовым. Дисциплина отвечает на вопрос, почему нейронные сети работают так эффективно: классическая статистическая теория обучения через VC-размерность не объясняет ряд наблюдаемых эффектов, например феномен двойного спуска. Программа выстроена вокруг трёх направлений — аппроксимационные свойства нейросетей, оптимизация функции потерь и обобщающая способность моделей.

Ранее вёл курс «Теоретический анализ методов искусственного интеллекта» в формате «Маго-лего» (3 кредита, 4 модуль), где был единственным преподавателем. Курс разбирает теоретические основы алгоритмов машинного обучения средствами математической статистики и функционального анализа: теорию и методы статистического обучения, регуляризацию сложности модели, вопросы сложности моделей и сходимости методов обучения, а также приёмы почти оптимальной настройки алгоритмов.

Публикационная активность отмечена университетом: получил надбавку за публикацию в журнале из Списка А (и приравненных к нему научных изданий) на 2025–2026 годы. Зарегистрирован в международных наукометрических системах — за ним закреплены Scopus AuthorID, ResearcherID и ORCID, есть профиль в Google Scholar. Владеет английским языком. Научные руководители по работе в университете — Е. А. Соколов и А. Б. Богатырёв.