Делимся расписанием ИИшницы «Диффузионные модели и их расширения», которая пройдет в этот четверг на YouTube-канале AIRI 🍳

🔵15:30 – Вступление, Артур Кадурин, AIRI

🔵15:35 – «Диффузионные модели: три стороны одной медали», Дмитрий Ветров, ФКН ВШЭ, AIRI

В докладе спикер рассмотрит три способа интерпретации диффузионных моделей и кратко перечислит основные преимущества, которые дают разные способы взгляда на эту популярную генеративную модель.

🔵15:55 – "Star-Shaped Denoising Diffusion Probabilistic Models", Андрей Охотин, ФКН ВШЭ

Диффузионные модели сейчас достигают высокого качества на задачах генерации изображений и звука, однако, испытывают проблемы с генерацией данных со сложной внутренней структурой. Статья, про которую расскажет Андрей, представляет обобщение классических диффузионых моделей, позволяющее использовать не только гауссовское зашумляющее распределение. Благодаря этому удается добиться высокого качества генерации данных из таких специфических многообразий.

🔵16:15 – «Применение генеративных картиночных моделей в рекламе» Валентин Хрульков, Яндекс

Валентин расскажет о практических сценариях использования технологии генерации картинок для улучшения привлекательности рекламных баннеров.

🔵16:35 – "Entropic Neural Optimal Transport via Diffusion Processes" Никита Гущин, Сколтех

Доклад основан на статье "Entropic Neural Optimal Transport via Diffusion Processes" (NeurIPS 2023, oral). Оптимальный транспорт с помощью нейронных сетей — новое направление для решения задач непарного переноса стиля и доменной адаптации. В докладе Никита расскажет про способ связать оптимальный транспорт и диффузионные модели с помощью задачи моста Шрёдингера. Помимо рассказа о разработанном в статье алгоритме будут рассмотрены также другие уже известные алгоритмы для задачи моста Шрёдинегра и их приложения.

🔵17:55 – "Training of an integrator of diffusion model trajectories" Вячеслав Мещанинов, ФКН ВШЭ

Диффузионные модели продемонстрировали огромный потенциал для генерации данных самой разной структуры. Однако главным их недостатком является большое количество шагов на этапе использования, необходимое для качественной генерации объектов. В докладе Вячеслав расскажет о том, как можно преодолеть данный недостаток и обучить модель, которая за один шаг способна пройти всю траекторию генерации диффузионной модели.

Сохраняйте ссылку на трансляцию, до встречи в четверг! 🍿

Рассказываем про новый пост на Хабре 💡

Ведущий научный сотрудник AIRI, доцент МФТИ Константин Яковлев написал обзоруню статью про то, как устроены самые распространённые методы поиска пути на графе: алгоритм Дейкстры и алгоритм А*. Их используют для прокладки пути беспилотных авто, для маршрутизации сетевых пакетов и даже для перемещений юнитов в видеоиграх 👾

Подобные методы не идеальны в своей эффективности, и их можно улучшить с помощью машинного обучения. Константин не только рассказывает про современные подходы к решению этой задачи, но и делится деталями своего собственного исследования, а также отвечает на вопрос о том, насколько оправдано использование нейросетей в таких ситуациях.

Читайте новую статью по ссылке 🖇

Рассказываем про #AIRIseminars в эту среду👇

🔵Дата и время: 1 ноября в 17:00 на YouTube-канале AIRI

🔵Тема: «CAMEL: коммуникативные агенты для исследования «разума» общества языковых моделей»

🔵Докладчик: Дмитрий Хизбуллин, KAUST

🔵Оппонент: Алексей Ковалёв, AIRI

🔵Подробное описание семинара уже по ссылке

Скоро запустим офлайн-формат семинаров у нас в офисе на Курской, все подробности расскажем чуть позже 💡

Сегодня делимся подборкой статей, которые вышли у нас в блоге 👾

🔵Представление в виде сфер улучшило 3D-реконструкцию с помощью нейронных сетей

Пассивная 3D-реконструкция объектов находит богатое применение во множестве областей, начиная от археологии и заканчивая индустрией развлечений. Применение машинного обучения к этой задаче ускоряет оцифровку и позволяет избежать ряда проблем, возникающих в традиционных методах. В статье рассказывается, как Евгений Бурнаев и его коллеги придумали способ усовершенствовать реконструкцию с помощью нейросетей, добавив в процедуру этап грубого представления поверхностей с помощью сфер.

🔵Гибридный подход улучшил точность классификации неоднозначных текстов

Статья о том, как Александр Панченко, Артём Шелманов и их коллеги из нескольких российских институтов применили гибридный подход к задаче о выборочной классификации. Это позволит улучшить производительность нейросетей за счёт выявления неоднозначных примеров и отправки их людям-экспертам.

🔵Самообучение графов на основе дескрипторов помогло предсказать токсичность молекул

Рассказ про то, как команда Ильи Макарова нашла способ сделать предсказание токсичности молекул с помощью графовых нейронных сетей точнее. Для этого они задействовали самообучение графов на основе дескрипторов, то есть представление молекул через подструктуры, содержащие один или несколько атомов, согласно их биологической значимости.

Еще больше интересного – в нашем блоге на Хабр, подписывайтесь!

Рассказываем крутые новости — мы запускаем офлайн-формат семинаров! 😁

Теперь можно не только подключаться к трансляции на YouTube, но и прийти к нам в офис, чтобы послушать и обсудить семинар вживую. Следующий семинар пройдет 15 ноября в 17:00, рассказываем все подробности:

🔵Спикер: Кирилл Солодских, TheStage.ai

🔵Оппонент: Дмитрий Юдин, AIRI, МФТИ

🔵Тема: Непрерывная формулировка глубокого обучения через интегральные нейронные сети

🔵Описание: в докладе будет представлено новое семейство глубоких нейронных сетей, где вместо традиционного представления слоев в виде N-мерных тензоров весов используется непрерывное представление слоев по размерам фильтра и канала.

Исследователи называют такие сети интегральными нейронными сетями (INNs). В частности, веса INNs представлены в виде непрерывных функций, определенных на N-мерных гиперкубах, и дискретные преобразования входных данных в слои заменяются, соответственно, операциями непрерывного интегрирования.

Этот подход может быть применен для сжатия модели непосредственно на периферийном устройстве с незначительной потерей производительности. Чтобы оценить практические преимущества предложенного нами подхода, исследователи провели эксперименты с использованием различных архитектур нейронных сетей для решения некоторых задач.

Регистрация по ссылке, до встречи!

Сегодня делимся записями четырех недавних #AIRIseminars. Видео, описание и таймоды по ссылкам ⤵️

🔵Генеративные модели для физических исследований

🔵Методы и модели обработки текстов биомедицинской направленности

🔵Одна LLM хорошо, а N лучше? Мультиагентный подход - путь к AGI

🔵CAMEL: коммуникативные агенты для исследования «разума» общества языковых моделей

Семинаров много не бывает, следующий уже завтра в 17:00, до встречи! 👾

Сегодня в рубрике #интересное_в_понедельник новости четверга, потому что вышел новый выпуск «‎Наука для всех» — шоу, в котором ученый объясняет блогеру теорию так, чтобы ее было легко понять и пересказать 💡

CEO Института AIRI, профессор Сколтеха Иван Оселедец вместе с блогером Любой Бич, а также ведущими: комиком Тамби Масаевым и физиком Алексеем Федоровым разбираются в искусственном интеллекте.

Смотрите по ссылке 🍿

Идеальный план для вечера пятницы – три выпуска программы «Физики и лирики» с исследователями AIRI 👾

🔵Кандидат химических наук, старший научный сотрудник AIRI Алексей Коровин рассказывает про разработанный в AIRI алгоритм, который позволит значительно сократить выбросы CO2 при обучении нейросетей. Запись эфира тут.

🔵Вместе с кандидатом технических наук и руководителем группы FusionBrain Андреем Кузнецовым разбираемся, как ИИ создает новые блюда и продукты, а также обсуждаем, смогут ли они заменить привычную нам еду. Слушайте по ссылке.

🔵Научный консультант AIRI, управляющий директор по исследованию данных Sber AI Денис Димитров рассказал, что такое чат-боты, как они появились, как устроены и чем отличаются от живого человека. Послушать можно на сайте.

Альберта Энштейна в стиле Ван Гога, Энди Уорхола и Фернандо Ботеро сгенерили с помощью Портретииста. Поиграться можно по ссылке до конца ноября 😁