Аспирантский семинар: геолокация и мобильные устройства, глубинное обучение и мультимодальные данные

Место: Факультет компьютерных наук, Кочновский проезд, д. 3, ауд. 317
Время: 23 июня, 18:30 – 20:00 

Доклады состоятся в рамках научно-исследовательского семинара аспирантской школы по компьютерным наукам.

Первый доклад

Тема: Методы определения геолокации мобильных устройств
Докладчик: Андрей Шестаков, аспирант второго года обучения, департамент анализа данных и искусственного интеллекта факультета компьютерных наук

В целях геолокации мобильных устройств могут быть использованы три источника сигналов: сигналы GPS, сигналы беспроводных интернет сетей Wi-Fi или мобильных сетей LTE/GSM. Локализация с помощью GPS характерна достаточно высокой точностью на открытом пространстве, однако требует значительного потребления энергоресурсов. Использование Wi-Fi хоть и более энерговыгодно, но ограничено лишь локализацией в помещении. Как в случае Wi-Fi, так и в случае GPS, пользователи редко на постоянной основе оставляют их включенными, в то время как мобильные сети являются источником практически постоянного, но иногда крайне зашумленного, сигнала.
Методы анализа данных и распознавания образов были успешно применены для анализа мобильности пользователей мобильных телефонов и локализации в помещении, однако редко использовались в задаче локализации на открытом пространстве.
В докладе будут разобраны базовые методы локализации по сигналу мобильных сетей, а также промежуточные результаты разрабатываемого алгоритма локализации.
 

Второй доклад

Тема: Методы глубинного обучения для анализа мультимодальных данных
Докладчик:  Артем Грачев, аспирант первого года обучения, департамент анализа данных и искусственного интеллекта факультета компьютерных наук

Подходы, связанные с глубинным обучением, вывели сразу несколько направлений в машинном обучении на новый уровень, порой по качеству превосходящий человеческий. Следующие шаги в развитии технологий искусственного интеллекта так или иначе связаны с построением алгоритмов для решения задач, объединяющих сразу несколько модальностей. Простыми примерами таких задач могут быть составление описания по изображению, автоматическое генерирование субтитров. В докладе будут рассмотрены различные направления применения методов глубинного обучения, связанные с мультимодальными данными. Также в качестве одного из приложений будет рассмотрено применение глубинного обучения для обработки ионограмм: фильтрация шума и выделение полезного сигнала.