Пятое открытое заседание Ученого совета ФКН. Доклады Максима Рахубы и Дениса Деркача
1. «Тензорные разложения в глубинном обучении»
Доклад старшего научного сотрудника международной лаборатории теоретической информатики, старшего научного сотрудника международной лаборатории стохастических алгоритмов и анализа многомерных данных (HDI Lab), доцента департамента больших данных и информационного поиска Максима Рахубы.
Наряду с матрицами многомерные массивы (тензоры) являются фундаментальной структурой данных, возникающей в широком круге приложений.
В частности, в глубинном обучении с помощью тензоров естественным образом представляются как сами данные, так и параметры нейронных сетей. Причем количество параметров в современных нейросетях может быть очень велико (сотни миллиардов параметров в самых больших моделях), что затрудняет их использование на устройствах с ограниченными ресурсами.
В докладе пойдет речь об одном из эффективных способов уменьшения числа параметров в нейросетях – о подходе тензорных разложений. Помимо вопроса сжатия в докладе будет рассмотрен контроль константы Липшица в процессе обучения нейронных сетей, которая, в свою очередь, влияет на обобщающую способность и устойчивость к состязательным атакам. В частности, я расскажу о новом применении тензорных разложений для повышения эффективности существующих методов контроля константы Липшица сверточных слоев.
2. «Применение генеративных моделей машинного обучения в физике частиц»
Доклад старшего научного сотрудника научно-учебной лаборатории методов анализа больших данных (LAMBDA), доцента департамента больших данных и информационного поиска Дениса Деркача.
Применение методов машинного обучения стало стандартом при анализе данных в физике частиц. Эти методы применяются на всех стадиях от первичного сбора данных до финального анализа.
Новый запуск Большого адронного коллайдера, запланированный на 2022 год, откроет новую страницу применения машинного обучения из-за возросшей скорости обработки данных и новых технологий, доступных для их анализа.
Одной из важных проблем при этом станет наличие достаточного количества симулированных событий, необходимых для детального понимания происходящего в данных.
В докладе мы опишем специфические требования к генеративных моделей для быстрой симуляции взаимодействия частиц с детектором, рассмотрим текущие разработки и подходы, а также обсудим направления и точки приложения усилий для будущего развития этого направления.
14 апреля 2022
Ученый совет ФКН: https://cs.hse.ru/council
ФКН: https://cs.hse.ru
Подписывайтесь на нас в социальных сетях: https://vk.com/cshse, https://www.facebook.com/hsecs/, https://twitter.com/CS_HSE
Видео Пятое открытое заседание Ученого совета ФКН. Доклады Максима Рахубы и Дениса Деркача канала ФКН ВШЭ
Доклад старшего научного сотрудника международной лаборатории теоретической информатики, старшего научного сотрудника международной лаборатории стохастических алгоритмов и анализа многомерных данных (HDI Lab), доцента департамента больших данных и информационного поиска Максима Рахубы.
Наряду с матрицами многомерные массивы (тензоры) являются фундаментальной структурой данных, возникающей в широком круге приложений.
В частности, в глубинном обучении с помощью тензоров естественным образом представляются как сами данные, так и параметры нейронных сетей. Причем количество параметров в современных нейросетях может быть очень велико (сотни миллиардов параметров в самых больших моделях), что затрудняет их использование на устройствах с ограниченными ресурсами.
В докладе пойдет речь об одном из эффективных способов уменьшения числа параметров в нейросетях – о подходе тензорных разложений. Помимо вопроса сжатия в докладе будет рассмотрен контроль константы Липшица в процессе обучения нейронных сетей, которая, в свою очередь, влияет на обобщающую способность и устойчивость к состязательным атакам. В частности, я расскажу о новом применении тензорных разложений для повышения эффективности существующих методов контроля константы Липшица сверточных слоев.
2. «Применение генеративных моделей машинного обучения в физике частиц»
Доклад старшего научного сотрудника научно-учебной лаборатории методов анализа больших данных (LAMBDA), доцента департамента больших данных и информационного поиска Дениса Деркача.
Применение методов машинного обучения стало стандартом при анализе данных в физике частиц. Эти методы применяются на всех стадиях от первичного сбора данных до финального анализа.
Новый запуск Большого адронного коллайдера, запланированный на 2022 год, откроет новую страницу применения машинного обучения из-за возросшей скорости обработки данных и новых технологий, доступных для их анализа.
Одной из важных проблем при этом станет наличие достаточного количества симулированных событий, необходимых для детального понимания происходящего в данных.
В докладе мы опишем специфические требования к генеративных моделей для быстрой симуляции взаимодействия частиц с детектором, рассмотрим текущие разработки и подходы, а также обсудим направления и точки приложения усилий для будущего развития этого направления.
14 апреля 2022
Ученый совет ФКН: https://cs.hse.ru/council
ФКН: https://cs.hse.ru
Подписывайтесь на нас в социальных сетях: https://vk.com/cshse, https://www.facebook.com/hsecs/, https://twitter.com/CS_HSE
Видео Пятое открытое заседание Ученого совета ФКН. Доклады Максима Рахубы и Дениса Деркача канала ФКН ВШЭ
Показать
Комментарии отсутствуют
Информация о видео
Другие видео канала
Кардиогенетика, Data Science и персонализированная медицина: проект лаборатории биоинформатики ФКНДвойные гомологии момент-угол-комплексов и биградуированные персистентные модули (Тарас Панов)Как заставить себя продолжать начатоеКто такой senior-специалист?Чем отличаются middle и senior специалистыКому подходит онлайн-бакалавриат? Ссылка на регистрацию на день открытых дверей в комментарияхДружба с одногруппниками в онлайнеЧисла Маркова, гипотеза единственности и бирациональные преобразования (Александр Перепечко)Курс «Продвинутый C++». Лекция 3 (Данила Кутенин)Как игры рассказывают истории (Мария Кочакова)Об орбитах наборов линейных функций и свободных полугруппах целочисленных матриц (Алексей Таламбуца)Простой метод долгосрочного прогнозирования многомерных временных рядовЗадачи риск-менеджмента и возможности DS влиять на прибыль банка (Олег Травкин)Чем Python может быть полезен вам уже сейчас?Решетки замкнутых множеств: понятия и импликативные зависимости (Сергей Кузнецов)Нейросетевые поля для реконструкции сцен и не только (Кирилл Струминский)[ИТ-лекторий] Применение Data Science в девелопменте и результаты, которые влияют на жизньПрезентация магистерской программы «Анализ данных в девелопменте»Распределенная система для работы с большими языковыми моделями (Александр Борзунов)Гомологии и их комбинаторный вид (Виктор Лопаткин)Математический блиц