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

Лаборатория компании Самсунг

Публикации
Статья
Semi-Conditional Normalizing Flows for Semi-Supervised Learning

Atanov A., Volokhova A., Ashukha A. et al.

Working papers by Cornell University. Series math "arxiv.org". 2019.

Глава в книге
Conditional Generators of Words Definitions

Gadetsky A., Yakubovskiy I., Vetrov D.

In bk.: Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics. Vol. 2: Short Papers. Association for Computational Linguistics, 2018. P. 266-271.

Препринт
Variational Dropout via Empirical Bayes

Kharitonov V., Molchanov D., Vetrov D.

stat.ML. arxiv.org. Cornell University, 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