Семинар НУЛ ИИВБ: "Utilizing empirical p-values in False Discovery Rate control and examination of the reasoning capacity of the deep net based METDR method".

В пятницу, 26 мая в 12:00 в рамках семинара на тему: «Utilizing empirical p-values in False Discovery Rate control and examination of the reasoning capacity of the deep net based METDR method», будут представлены два доклада.

Искусственный интеллект был продемонстрирован как невероятно полезный инструмент для решения широкого круга задач. Одна из них — биоинформатика — предложила принципиально новые методики на стыке машинного обучения и статистики. Несмотря на свой потенциал, эти методы еще не использовались для более общих задач. Соответственно, в нашей работе мы разрабатываем радикально новый подход, называемый эмпирическими p-значениями (EPV). Предполагая, что отрицательные обучающие данные задачи классификации являются распределением нулевой гипотезы, мы вычисляем соответствующие p-значения для тестовых выборок. Позже мы расширяем процедуру BH для управления FDR, что позволяет как регулировать взаимосвязь распределений обучающих и тестовых данных, так и предсказывать новые метки на основе уже исследованных. Основная цель - точно предсказать количество принятых открытий на каждом уровне без истинных ярлыков.

Задача ответов на вопросы по изображениям (VQA) имеет большое значение для искусственного интеллекта и требует использования комбинации визуальных и текстовых данных. Недавние успехи в области глубокого обучения, в том числе моделей на основе трансформеров, позволили достичь результатов, сравнимых с человеком. Тем не менее, все еще сложно объективно оценить способности модели к мышлению и пониманию отношений между объектами в реальном мире. В последнее время в задаче VQA появились большие наборы данных, которые требуют от моделей использования сложных визуальных и текстовых концепций. Целью данного исследования является создание нового датасета, который можно использовать для оценки моделей к сложному логическому мышлению, используя ограниченный набор визуальных и текстовых концепций, но при этом требующего комплексного понимания отношений между разными объектами. В этом исследовании представлена методология построения таких датасетов, а также описан код для Blender на языке Python. Также представлены результаты предобученной модели MDETR на предложенном датасете.