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

Мероприятия

Мини-воркшоп Центра глубинного обучения и байесовских методов

Мероприятие завершено

24 мая, в четверг, Центр приглашает всех желающих на мини-воркшоп, посвященный актуальным проблемам машинного обучения: применение нейронных сетей для численного решения обратных задач, оценка неопределенности в предсказаниях нейросетей и использование машинного обучения в квантовой физике.

Ученые, представляющие университеты Цюриха, Кембриджа и Инсбрука, расскажут о результатах своих исследований и ответят на ваши вопросы.
Для участия в воркшопе регистрируйтесь по ссылке.
Для заказа пропуска и по возникшим вопросам обращайтесь к менеджеру Центра.

Место: Факультет компьютерных наук, аудитория 622

Время: 17:00 -20:00, 24 мая


Валерий Вишневский

Доктор, научный сотрудник Швейцарской высшей технической школы Цюриха, Университета Цюриха, Института биомедицинской инженерии

Глубинные нейросети для численного решения обратных задач

Математическая модель, описывающая состояние физической (или, в общем, абстрактной) системы с известным набором параметров, определяет прямую задачу синтеза. Соответствующий обратный процесс оценки скрытых параметров и состояния системы по набору наблюдений является обратной задачей. В виду успешности методов глубинного обучения, был предложен ряд методов для обучения обратного отображения в виде искусственных нейросетей. В данном докладе мы представим альтернативный подход к обучению методов решения обратных задач, основанный на развернутом (цепочном) представлении итеративных численных методов.

Андрей Малинин

Аспирант, исследователь Факультета инженерии, Кембриджский университет

Оценка неопределенности в предсказаниях нейросетей

Оценка неопределенности в предсказаниях важна для повышения безопасности и надежности систем ИИ. В докладе представлен обзор задачи оценки неопределенности в предсказаниях нейросетевых моделей. Рассматриваются источники неопределенности - неопределенность в параметрах модели, шум в данных и несоответствие распределений обучающей и тестовой выборки. В контексте источников неопределенности обсуждаются преимущества и ограничения современных методов оценки неопределенности. Предлагается новая теоретически последовательная и интерпретируемая вероятностная структура для моделирования неопределенности, называемая “Априорные сети” (Prior Networks), учитывающая влияние каждого источника неопределенности. Априорные сети сравниваются с предыдущими подходами в задачах идентификации образцов вне распределения (OOD) и обнаружения ошибочных классификаций.

 


 

Алексей Мельников

Аспирант, исследователь Института теоретической физики, Инсбрукский университет, Физико-технологический институт РАН

Квантовое машинное обучение

С увеличением числа кубитов в квантовых процессорах решение сложных задач, которые неразрешимы на классических суперкомпьютерах, скоро сможет стать возможным. Какое влияние окажут квантовые вычисления на машинное обучение? Квантовое машинное обучение, новая область в квантовой информатике, изучает этот вопрос, а также вопрос применения машинного обучения в квантовой физике. В докладе будет рассмотрена общая картина взаимодействия агента с окружающей средой и показаны преимущества, которые можно ожидать, рассматривая агента или/и окружающую среду как квантовые системы.