Семинары
В качестве примеров первой области мы можем выделить следующие проекты: (i-a) Кластеризация градиентного спуска, (i-b) Метод кластеризации с фильтрованным градиентным спуском для восстановления сообществ в атрибутированных сетях и т. д. В качестве примеров последнего можно упомянуть такие проекты, как (ii -a) Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз, (ii-b) Определение степени тяжести и типа афазии с использованием методов машинного обучения и т. д.
Семинары ориентированы на широкий круг слушателей разного уровня подготовки, включая, помимо прочего, компьютерные науки, лингвистику, нейронауки и т. д. различных профессиональных уровней. Если технические детали семинаров, посвященных прикладным проектам ИИ, будут полезны студентам, то полученные результаты и теоретические проекты могут заинтересовать более профессиональных исследователей и академиков.
Семинары обычно занимают около полутора часов, из которых 30-40 минут отводится докладчику(-ам), а остальное – обсуждению темы.
Мы будем сообщать дополнительную информацию за несколько дней до каждого семинара.
Семинары будут проходить в гибридном формате: Онлайн и очно в зале заседаний Центра языка и мозга по адресу Кривоколенный переулок, дом 3, каб. 302.
Чтобы узнать больше о лаборатории, посетите наш сайт, перейдя по ссылке ниже:
https://www.hse.ru/neuroling/vml/
Кроме того, вы можете посмотреть небольшую презентацию о лаборатории с кратким описанием наших проектов и информацией о сотрудниках: Информация о НУЛ (PDF, 874 Кб)
По дополнительным вопросам обращайтесь к руководителю лаборатории Сорушу Шалилеху по электронной почте: sshalileh@hse.ru.
"Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз"
Дата: 15.05.2024 в 14:00
Тема: Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз
Докладчик: Крылова Мария Владимировна (стажер-исследователь НУЛ методов искусственного интеллекта для когнитивных наук), Шалилех Соруш (кандидат технических наук, заведующий НУЛ методов искусственного интеллекта для когнитивных наук)
Аннотация: Настоящее исследование сосредоточено на следующих вопросах:
Насколько точно модели искусственного интеллекта (ИИ) могут предсказать дислексию, используя только данные о фиксации глаз? Какой наиболее эффективный способ представления фиксации глаз для обучения моделей ИИ? Какое семейство моделей ИИ дает наилучшие результаты? С этой целью мы тщательно изучили четыре «представления данных» и использовали два семейства моделей ИИ, а именно модели ансамблевого обучения и модели глубокого обучения. Наши эксперименты показали, что рассмотрение фиксации глаз как временного ряда и применение нейронной сети долгой краткосрочнойй памяти приводит к почти идеальной диагностике дислексии.
Материалы: Презентация с семинара (PDF, 12.41 Мб)
"Artificial intelligence to identify depression from audio information"
Дата: 29.05.2024 в 14:00
Тема: Artificial intelligence to identify depression from audio information
Докладчик: Казачкова Анна (студентка магистратуры НИУ ВШЭ)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Депрессия — широко распространенное психическое расстройство, которое может значительно ухудшить качество жизни. Автоматическое обнаружение депрессии может стать доступным и надежным диагностическим инструментом, решающим текущие проблемы в области психических расстройств. Цель этой статьи — изучить, насколько точно можно предсказать депрессию на основе данного набора данных и какие модели и представления данных являются наиболее устойчивыми. Исследование сосредоточено на таких формулировках проблем, как бинарная классификация и обнаружение аномалий. Используемые модели включали сверточные нейронные сети и преобразователь, и они либо обучались только на нашем наборе данных, либо использовались в виде предварительно обученных экземпляров классификации изображений. Кроме того, был рассчитан эталон классических алгоритмов машинного обучения для функций Женевского минималистичного набора акустических параметров. В целом мы получили лучшее среднее значение ROC-AUC в тесте, равное 0,72, по сравнению с эталонным значением 0,55. Этот лучший результат был достигнут благодаря тонкой настройке архитектуры InceptionV3 по алгоритму оптимизации «один плюс эпсилон».
Материалы: Презентация с семинара (PDF, 1.60 Мб)
Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.