Обучение распутанным представлениям
Обучение распутанным представлениям – одно из современных актуальных направления в области нейросетевого обучения представлениям (representation learning). Формирование структурированного латентного пространства помогает как в создании эффективных генеративных моделей, так и в построении объяснимых систем ИИ. Особенно актуальны распутанные представления для задач генерации поведения в сложных средах.
Семинар 24: Object-centric Reinforcement Learning | Артем Жолус, Ярослав Ивченков
Необходимые умения
  • Сильная математическая подготовка (курсы математической статистики, дискретной математики, теории алгоритмов)
  • Понимание принципов машинного обучения
  • Отличное знание Python
  • Уверенное владение нейросетевыми фреймворками (PyTorch, Tensorflow)
  • Опыт работы с большими нейросетевыми моделями
Публикации
  • Zholus A., Ivchenkov Y., Panov A. Factorized World Models for Learning Causal Relationships // ICLR2022 Workshop on the Elements of Reasoning: Objects, Structure and Causality. 2022.
  • Kirilenko D. et al. Vector Symbolic Scene Representation for Semantic Place Recognition // 2022 International Joint Conference on Neural Networks (IJCNN). 2022.
Темы исследовательских проектов

  • Квантизованные представления на основе Slot Attention
  • Параметризация объектных представлений с помощью смеси гауссовых распределений
  • Факторизованные модели мира для обучения с подкреплением