• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Центр глубинного обучения и байесовских методов

Публикации
Статья
Pitfalls of In-Domain Uncertainty Estimation and Ensembling in Deep Learning
В печати

Ashukha A., Lyzhov A., Molchanov D. et al.

The Eighth International Conference on Learning Representations (Virtual Only). 2020. P. 1-9.

Глава в книге
User-controllable Multi-texture Synthesis with Generative Adversarial Networks

Alanov A., Kochurov M., Volkhonskiy D. et al.

In bk.: Proceedings of the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2020). Vol. 4. SciTePress, 2020. P. 214-221.

Препринт
Low-variance Gradient Estimates for the Plackett-Luce Distribution

Gadetsky A., Struminsky K., Robinson C. et al.

Bayesian Deep Learning NeurIPS 2019 Workshop. 2019. Bayesian Deep Learning NeurIPS 2019 Workshop, 2019

О Центре

Центр ведет исследования на стыке двух активно развивающихcя сегодня областей анализа данных: глубинного обучения и байесовских методов машинного обучения. Глубинное обучение - это раздел, подразумевающий построение очень сложных моделей (нейронных сетей) для решения таких задач, как классификация изображений или музыки, перенос художественного стиля с картины на фотографию, предсказание следующих слов в тексте. В рамках байесовского подхода для решения подобных задач рассматриваются вероятностные модели, опирающиеся на аппарат теории вероятностей и математической статистики. 

Центр создан на основе исследовательской группы байесовских методов машинного обучения Д.П. Ветрова