Аспирантский семинар: кососимметрические потоки, вариационный автокодировщик, порождающие соперничающие нейросети

Место: Факультет компьютерных наук, Кочновский проезд, д. 3, ауд. 205
Время: 8 июня, 18:30 – 20:00 

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

Первый доклад

Тема: Задача о целочисленном потоке в кососимметрических сетях и алгоритм Гольдберга-Рао
Докладчик:  Глеб Евстропов, аспирант второго года обучения, базовая кафедра Яндекс департамента больших данных и информационного поиска факультета компьютерных наук

Задача о целочисленном кососимметрическом потоке является обобщением классической задачи о максимальном потоке, позволяет решать различные потоковые задачи с некоторыми дополнительными ограничениями. Например, с помощью алгоритмов поиска максимального потока можно искать максимальное паросочетание в двудольных графах, в то время как с помощью поиска целочисленного кососимметрического потока можно искать паросочетания уже в графах произвольного вида. Одним из результатов теории кососимметрических потоков является алгоритм, который позволяет любой алгоритм поиска обычного потока применить к кососимметрическим сетям с использованием дополнительного слагаемого порядка O(VE). Это позволяет без потери асимптотики применить к задаче о целочисленном кососимметрическом потоке в общем случае любой алгоритм поиска потока, кроме алгоритма Гольдберга-Рао — наилучшего с теоретической точки зрения слабополиномиального алгоритма, который, вообще говоря, имеет оценку лучше O(VE). Попытки же адаптировать этот алгоритм под кососимметрические сети аналогично другим алгоритмам сталкиваются с довольно интересным препятствием, которое совершенно не выглядит неразрешимым.

Доклад предполагается сделать обзорным, познакомить слушателей с двумя описанными выше задачами и дать примерное представление о сути описываемой проблемы. Подробное знакомство с теорией потоков (и какое-либо знакомство с кососимметрическими потоками) не предполагается.

Второй доклад

Тема: Устойчивый к шуму метод обучения вариационного автокодировщика
Докладчик:  Кирилл Струминский, аспирант второго года обучения, департамент больших данных и информационного поиска факультета компьютерных наук

В ситуациях, когда апостериорное распределение не удается получить в явном виде, часто прибегают к методам приближенного вывода. Одним из немногих основных инструментов приближенного вывода является вариационный вывод, сводящий задачу поиска приближения апостериорного распределения к минимизации дивергенции Кульбака-Лейблера. Поиск и исследование иных методов приближенного вывода по сей день остается актуальной задачей.

В докладе будет рассказано о полученном в рамках исследований методе приближенного вывода, основывающегося на обладающей свойством устойчивости к шуму модификации функции правдоподобия. Речь также пойдет о разработанной на основе полученного метода модификации модели вариационного автокодировщика, для которой свойство устойчивости к шуму было продемонстрировано в экспериментах на синтетических данных.

Третий доклад

Тема: Генерация синтетических обучающих выборок с помощью нейросетей
Докладчик:  Владислав Шахуро, аспирант второго года обучения, департамент больших данных и информационного поиска факультета компьютерных наук

В докладе будет рассказано про широко исследуемый вид нейросетей — порождающие соперничающие нейросети. Изначально эти нейросети были придуманы для задачи генерации реалистичных изображений. Подход состоит из двух нейросетей — генератора и дискриминатора. Эти нейросети играют в игру с нулевой суммой: генератор пытается сгенерировать изображения, похожие на обучающую выборку, а дискриминатор — понять, является ли изображение настоящим или сгенерированным. Помимо основной идеи, мы обсудим проблемы, возникающие при обучении таких нейросетей, а затем поговорим о практическом применении нейросетей — фотомонтаже, переводе одного изображения в другое (например, спутникового снимка в карту местности и наоборот) и синтезе обучающих выборок для классификатора и детектора объектов.