В Центре ИИ исследуются теоретические основы машинного обучения, разрабатываются специализированные нейроархитектуры и улучшается эффективность обучения, что снижает затраты на вычислительные ресурсы.
Цель — повышение доступности и производительности ИИ-технологий для науки и бизнеса.
Разработка новых алгоритмов обучения, дообучения и ускорения фундаментальных и генеративных моделей
Задачи
- Разработка новых алгоритмов обучения генеративных потоковых сетей и их применения к задаче генерации данных из заданного распределения
- Создание нового метода генеративного моделирования, основанного на применении подходов стохастического оптимального управления к задаче Шредингера
- Разработка диффузионной модели в иерархическом пространстве текстов, которое учитывает семантику и многослойную структуру смысла (на более низком уровне представляются общие идеи, а на высоком — детали и стилистические особенности), а также гибридной схемы генерации текста
Анализ сложности моделей глубокого обучения и исследование алгоритмов линейной алгебры, статистики и оптимизации, играющих ключевую роль в процессе их создания
Задачи
- Оценка точности восстановления градиента логарифма плотности (т.н. скор-функции) с помощью метода denoising score matching, применяемого при обучении генеративных диффузионных моделей, а также точности оценивания поля скоростей в методе сопоставления потоков (flow matching)
- Разработка новых математических методов работы с генеративными потоковыми сетями, в частности, будет разработка методологии обучения неациклических генеративных потоковых сетей
- Анализ эффективности объединения трансформерных архитектур обучения на последовательностях с архитектурами обучения на графах в задачах рекомендательных систем
- Разработка алгоритмов оценки структурированных матриц большого размера и их max-нормы
- Построение доверительных множеств в задачах стохастической аппроксимации и автономного обучения с подкреплением (offline RL), что позволит сделать выводы о надежности работы алгоритмов машинного обучения
Моделирование времянезависимых и зависимых процессов и построение их суррогатов с помощью методов искусственного интеллекта
Задачи
- Адаптация методов и подходов гибридного искусственного интеллекта для построения комплексных моделей сложных систем
Генеративное моделирование в задаче синтеза данных
Задачи
- Создание библиотеки генеративных моделей для синтеза данных разной природы (табличные данные, временные ряды, 2D/3D изображения)