Валиахметов Булат Ильдарович

Преподаватель департамента больших данных и информационного поиска факультета компьютерных наук НИУ ВШЭ. Работает в университете с 2025 года, придя туда как приглашённый преподаватель ФКН; научно-педагогический стаж, по данным университета, составляет четыре года. В 2024 году окончил магистратуру МГУ имени М. В. Ломоносова по направлению «Прикладная математика и информатика» с квалификацией «магистр» — по данным Crossref, его исследовательская работа велась на кафедре вычислительных технологий и моделирования факультета ВМК. Профессиональные интересы в профиле обозначены коротко: теория вероятностей.

Ведёт два курса, оба на программе «Прикладная математика и информатика». Первый — «Теория вероятностей» для второго курса бакалавриата: дисциплина рассчитана на три модуля, оценивается в 5 кредитов и предполагает 96 контактных часов, что делает её одной из самых объёмных в учебном плане. Курс строится на аксиоматике Колмогорова: вероятностное пространство, случайная величина, распределение, математическое ожидание, дисперсия, характеристические функции, независимость и формула Байеса. Отдельно даются нужные результаты теории меры — сигма-алгебры, борелевская сигма-алгебра, измеримые функции, — а затем виды сходимости случайных величин, законы больших чисел и центральная предельная теорема. В качестве приложений разбираются неравенства о концентрации меры и задачи рандомизированной линейной алгебры.

Второй курс — «Математические основы нейросетевых моделей» — он читает единолично на четвёртом курсе бакалавриата и в общефакультетском пуле дисциплин; объём 4 кредита и 40 контактных часов, читающее подразделение — базовая кафедра Института вычислительной математики имени Г. И. Марчука РАН. Курс отвечает на вопрос, почему классическая статистическая теория обучения с VC-размерностью не объясняет поведение глубоких сетей, включая феномен двойного спуска. Разбираются сложность Радемахера, оценки обобщающей способности на основе норм и отступов и через Neural Tangent Kernel, теоремы об универсальной аппроксимации, преодоление проклятия размерности, влияние глубины и ширины на качество аппроксимации, аппроксимационные свойства глубоких ReLU-сетей, а также поведение градиентного спуска и анализ ландшафта функции потерь с помощью моделей спиновых стёкол. Формат включает семинарские разборы научных статей: студент готовит доклад по выбранной работе.

Научные публикации лежат в области вычислительной математики и матричных методов. В соавторстве с академиком Е. Е. Тыртышниковым и Д. В. Лукьяненко он опубликовал статью «An a priori method for estimating the informativeness of the configuration of sensor placement when solving inverse problems of remote sensing» в Journal of Inverse and Ill-posed Problems (2025) — об априорной оценке информативности схемы расстановки датчиков при решении обратных задач дистанционного зондирования. В «Журнале вычислительной математики и математической физики» вышли работы «Сравнение интерполяционного и мозаично-скелетонного методов для решения интегральных уравнений со сверточным ядром» (2025) и «Ускорение итерационных методов решения линейных обратных задач на основе малорангового приближения» (2026).

Ещё одна работа — доклад «MSk — the package for a dense matrix approximation in the mosaic-skeleton format», представленный в 2023 году на конференции «Суперкомпьютерные дни в России» и опубликованный в её трудах: он описывает программный пакет для аппроксимации плотных матриц в мозаично-скелетонном формате. Сквозная тема всех публикаций — малоранговые и мозаично-скелетонные приближения как способ ускорить решение вычислительно тяжёлых обратных задач, и она хорошо стыкуется с курсом о математических основаниях нейросетей, где речь идёт о тех же вопросах сложности и аппроксимации. Идентификаторы ORCID и ResearcherID в карточке заполнены служебными заглушками, поэтому авторство подтверждается базой публикаций НИУ ВШЭ и данными Crossref, где указана его университетская аффилиация.