О Центре

Последние годы доказали, что чем больше данных анализируются и чем больше сами модели, анализирующие их, тем лучшие результаты можно получить. Прорыв в машинном обучении произошел благодаря успешному применению глубинных перепараметризованных нейронных сетей, которые оказались чрезвычайно мощным инструментом при работе с огромными объемами данных. Тем не менее теоретические основы глубинного обучения все еще нуждаются в дополнительном исследовании.

Как показала практика, для решения сложных задач анализа данных необходимо построение вероятностных моделей, в которых нейронные сети будут являться одним из ключевых элементов. Стандартным средством для построения таких моделей является аппарат байесовского моделирования. Ярким примером успешного синтеза байесовского подхода с глубинным обучением являются диффузионные модели, использующиеся для генерации различных типов данных.

Центр создан на базе группы байесовских методов Д.П. Ветрова в 2017 г., проводит исследования в парадигме сращивания нейросетевых и байесовских моделей машинного обучения: в области глубинного обучения, стохастической оптимизации, тензорных разложений и сжатия моделей, масштабируемого вариационного вывода, диффузионных моделей и т.д.

Руководителем Центра является Ветров Дмитрий Петрович —  кандидат физико-математических наук, профессор-исследователь факультета компьютерных наук НИУ ВШЭ, руководитель спецсеминара "Байесовские методы машинного обучения".  Закончил факультет вычислительной математики и кибернетики МГУ им. Ломоносова. В разное время работал в ВЦ РАН, МГУ, Курчатовском институте, Сколтехе, Яндексе. 
Член ассоциации ELLIS (европейской лаборатории по обучению и интеллектуальным системам).

Разработал авторские курсы «Байесовские методы машинного обучения», «Графические модели», «Нейробайесовские модели», которые читает на факультете компьютерных наук НИУ ВШЭ, ВМК МГУ и в Школе анализа данных Яндекса. Принимал участие в нескольких междисциплинарных исследовательских проектах по разработке новых методов машинного обучения и вероятностного вывода (в когнитивных науках, медицине, неорганической химии, и др.).

Автор более 200 публикаций, неоднократно публиковался на ведущих мировых конференциях по машинному обучению и технологиям искусственного интеллекта.