THEORY

Будет объявлено позже

ZOOM, 11:00

С.А.Доленко (НИИЯФ МГУ)
Применение методов машинного обучения для решения многопараметрических обратных задач Обратные задачи (ОЗ) – один из широко известных типов задач обработки данных, возникающий при косвенных измерениях, когда возникает необходимость восстановления интересующих исследователя параметров объекта по измеренным в эксперименте наблюдаемым величинам. К сожалению, ОЗ часто характеризуются существенной нелинейностью, плохой обусловленностью или некорректностью, высокой размерностью как по входу, так и по выходу, высоким уровнем шумов в данных. Все эти факторы дополнительно осложняют решение. В этой ситуации эффективным подходом к решению ОЗ оказывается использование методов машинного обучения (МО) (искусственные нейронные сети; методы, основанные на деревьях решений; метод группового учёта аргументов; линейная регрессия в нелинейном базисе и другие). В работе рассматриваются два основных подхода к решению ОЗ методами МО – от модели и от эксперимента, а также промежуточный квазимодельный подход; обсуждаются области их применения, достоинства и недостатки. Рассматриваются также некоторые специальные приёмы, позволяющие эффективно бороться с негативными свойствами ОЗ – понижение размерности входных данных; групповое и поэтапное определение параметров; добавление шума к данным в процессе обучения; комплексирование физических методов, комплексирование методов МО и комплексирование данных. Рассмотрение ведется на примере ОЗ из области оптической спектроскопии и из области разведочной геофизики. Предметом обсуждения является методика аппроксимационного решения ОЗ с помощью методов МО, с учётом специфики данных из конкретных предметных областей.

Презентация: dlcp-dolenko-210513.pdf
Видео: dlcp-210513-dolenko.mkv

ZOOM, 11:00 MSK

Л.Дудко (НИИЯФ МГУ)
Нейронные сети. Применение нейронных сетей в анализе данных коллайдерных экспериментов.

В докладе будут представлены идеи лежащие в основе методов нейронных сетей, и основные принципы применения нейронных сетей в анализе данных жестких процессов рассеяния на современных коллайдерах. Будет проведено краткое сравнение различных типов нейронных сетей и других методов машинного обучения.

Презентация: dlcp-dudko-210408

Zoom, 11:00 MSK

А.Демичев (НИИЯФ МГУ)
Эквивариантность конволютивных нейросетей относительно групп преобразований входных данных

Будет обсуждаться связь архитектуры сверточных сетей и эквивариантности (симметрии) в нейронных сетях в отношении не только трансляций, но и действия любой компактной группы. Основной результат указанных работ - доказательство того, что (при некоторых естественных ограничениях) сверточная структура является не только достаточным, но и необходимым условием эквивариантности действия компактной группы. Используются концепции теории представлений и некоммутативного гармонического анализа, а также обобщение формулы свертки на групповые многообразия и фактор-пространства. Общая теория будет проиллюстрирована на примере сферической симметрии. При этом особенностью архитектуры, которая будет рассмотрена, является то, что она использует преобразование Клебша-Гордана в качестве единственного источника нелинейности в нейросети, что позволяет избежать повторных прямых и обратных преобразований Фурье.

По литературным источникам; в основном - изложение работ:

1. R. Kondor, et al. “On the generalization of equivariance and convolution in neural networks to the action of compact groups”, 2018. ArXiv: 1802.03690
2. R. Kondor, et al. “Clebsch–Gordan nets: a fully Fourier space spherical convolutional neural network”, 2018, ArXiv: 1806.09231

Презентация: demichev-210304-cnn-symm_pres.pdf