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

Лаборатория компании Самсунг

Публикации
Статья
A randomized coordinate descent method with volume sampling

Rodomanov A., Kropotov D.

SIAM Journal on Optimization. 2020. Vol. 30. No. 3. P. 1878-1904.

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