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

Лаборатория компании Самсунг

Публикации
Статья
Randomized Block Cubic Newton Method В печати

Doikov Nikita, Richtarik P.

Proceedings of Machine Learning Research. 2018. No. 80. P. 1290-1298.

Глава в книге
Quantifying Learning Guarantees for Convex but Inconsistent Surrogates В печати

Struminsky K., Lacoste-Julien S., Osokin A.

In bk.: Advances in Neural Information Processing Systems 31 (NIPS 2018). 2018.

Новости

1

5 марта 2018

Высшая школа экономики открывает совместную с Samsung Research лабораторию

Samsung-HSE Laboratory будет разрабатывать механизмы байесовского вывода в современных нейронных сетях, что позволит решить ряд проблем в глубинном обучении. Команду лаборатории составят сотрудники исследовательской группы байесовских методов факультета компьютерных наук НИУ ВШЭ — одной из сильнейших научных групп России в области машинного обучения и байесовского вывода. Возглавит ее профессор ВШЭ Дмитрий Ветров.

Лаборатория компании Самсунг – новое научное подразделение факультета компьютерных наук НИУ ВШЭ. Основная область исследований лаборатории – построение вероятностных моделей, способных настраиваться по большим объемам данных. Лаборатория входит в структуру Центра глубинного обучения и байесовских методов, имеющего широкую экспертизу в области машинного обучения и вероятностного моделирования.

Компания Самсунг, являющаяся одним из мировых технологических лидеров, создает целую сеть совместных лабораторий по всему миру. Участие исследователей НИУ ВШЭ в данном глобальном проекте позволяет сосредоточиться на фундаментальных исследованиях и установить контакты с сильнейшими научными группами мира в области машинного обучения и искусственного интеллекта.

Основные направления работы лаборатории:

  • Разреживание и ускорение глубинных нейронных сетей
  • Ансамблирование алгоритмов машинного обучения
  • Оценка неопределенности (uncertainty estimation) и защита от состязательных атак (adversarial attacks)
  • Структурное предсказание на основе нейросетевых моделей
  • Стохастические методы оптимизации
  • Методы тензорного разложения для обучения и вывода в вероятностных моделях машинного обучения