Strategy/projects/files/mipt/mipt_d1_brief.md
+

mipt_d1_brief

МФТИ D1 — Постановка задачи (дедлайн 14 марта 2026)

Подготовлено Феанором для сессии 09 марта

Что сдаётся (D1)

Файлы в репозитории (push в GitHub до 14 мар, 23:59 MSK):

README.md          — описание проекта (обязательно)
report.md          — раздел "Постановка задачи" (~2 стр.)

README.md — минимальный шаблон

# [Название проекта]

## Одна строка
[Что оптимизируем и для чего]

## Задача оптимизации
min_{x} f(x) + g(x), где ...
[Конкретная математическая формулировка]

## Данные / среда
[Датасет / бенчмарк / синтетика — что и откуда]

## Baseline
[Что воспроизведём на неделе 2 → D2]

## Участники
- Имя: GitHub-handle

report.md — раздел “Постановка задачи”

Обязательные пункты (2 страницы):

  1. Мотивация (3-5 предложений): почему задача важна
  2. Формальная постановка: функция потерь, множество допустимых x, ограничения
  3. Почему методы оптимизации? Какой класс методов будете пробовать (GD, SGD, проксимальные, dual, …)
  4. Воспроизводимый baseline: ссылка на статью/репозиторий, план воспроизведения за 1 нед
  5. Критерий успеха: что значит “хорошо решили задачу” (метрика, порог)

Оценка D1

Критерий Баллы
Математическая формулировка (чёткая, полная) 40%
Baseline реалистичен (можно воспроизвести за 1 нед) 30%
Связь с методами курса 20%
Оформление (README + report структурированы) 10%

Частые ошибки

  • ❌ “Обучим нейросеть на датасете X” — нет формулировки задачи оптимизации
  • ❌ “Реализуем SOTA из статьи 2024” — нереалистичный baseline для 1 недели
  • ❌ Выбрать тему где нет численных экспериментов (например, только теория)
  • ✅ Начни с простого: линейная регрессия с регуляризацией, SVM, логистическая регрессия — понятная задача оптимизации!

Рекомендованные темы из списка (уже с формулировкой)

  1. Operator splitting для нейросетей: min L(W) via Lie-Trotter/Strang splitting on (W_f, W_R). Baseline: SGD+WD vs split-SGD на MNIST/CIFAR.
  2. Adaptive optimizers сравнение: min L(θ) с Lion/Sophia/Muon/AdamW. Baseline: AdamW на GPT-2 small. Метрика: tokens/sec × val_loss.
  3. Federated learning: min Σ F_i(x) с communication constraints. Baseline: FedAvg на CIFAR-10 IID vs non-IID. Метрика: rounds to convergence.
  4. LLM fine-tuning: min ||f_θ(x) - y||² с LoRA: θ = θ_0 + BA. Baseline: full fine-tune vs LoRA rank 8/16/32. Метрика: BLEU / perplexity.
  5. Билevel оптимизация: min_θ L_val(f_ϕ(θ)) s.t. ϕ = argmin_ϕ L_train. MAML vs First-order MAML на few-shot задаче.

Для Даниила — сессия 9 марта

Формат (~90 мин, проектная):
1. (15 мин) Напомнить D1 дедлайн + показать этот документ
2. (30 мин) Группы по 3-4 человека: формулируют задачу вместе
3. (30 мин) 5-6 команд показывают черновик формулировки → лектор даёт фидбек
4. (15 мин) Вопросы + как форкать репозиторий

Ассистенты (напомнить): каждый берёт 5-6 студентов, читает D1 до 17 марта.

Создано: Феанор, 2026-03-03 18:00 MSK (worker)

Choose icon