
Лаборатория машинного обучения и представления данных
Задача машинного обучения: чтобы компьютеры учились на данных из окружающего мира, как это делает человек. За последние годы в этой области произошла революция. Глубокое обучение (один из методов машинного обучения) сыграло решающую роль в создании ряда решений: беспилотных автомобилей, пользовательских интерфейсов с функцией поддержки речи, автоматического анализа медицинских изображений, веб-поисковых систем, рекомендательных систем, кибербезопасности, обнаружения и распознавания объектов и проч.
Хотя уже достигнут значительный прогресс в разработке алгоритмов машинного обучения и лежащей в их основе теории, остается ряд вопросов: как обучить глубоким моделям при отсутствии больших объемов данных? Как создать глубокие модели мобильных устройств с ограниченными ресурсами? Как улучшить обобщающие характеристики глубоких нейронных сетей? Как дать возможность глубоким моделям адаптироваться к неизвестным целевым доменам? Как защитить глубокие модели от враждебных атак?
Исследование лаборатории сосредоточено на поиске ответов на эти и другие вопросы.
деятельность лаборатории
Машинное обучение связано с изучением вычислительных методов, позволяющих машинам учиться на данных. Исследования лаборатории в области машинного обучения охватывают:
— Глубокое обучение
— Адаптацию и обобщение домена
— Машинный перевод
— Состязательное обучение
— Иерархическое обучение
— Ресурсоэффективное обучение нейронных сетей
— Обработку текстов на естественных языках (публикация)
— Информационный поиск и индексные структуры (публикация)
— Медицинские изображения и компьютерное зрение (пример)
— Квантовые вычисления и квантовое машинное обучение