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

Лаборатория компании Самсунг

Публикации
Статья
Cherenkov detectors fast simulation using neural networks

Derkach D., Kazeev N., Ratnikov F. et al.

Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2020. Vol. 952. No. 0168-9002. P. 161804.

Глава в книге
Variational Autoencoder with Arbitrary Conditioning

Vetrov D., Ivanov O.

In bk.: Proceedings of the 7th International Conference on Learning Representations (ICLR 2019). ICLR, 2019. P. 1-25.

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

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