Пленарное заседание

Нейроинформатика - 2016



Понедельник, 25 апреля                    11.20 – 13.00
Аудитория Алексеевский зал

Председатель: ДУНИН-БАРКОВСКИЙ Виталий Львович, д.ф.-м.н.

1. ИВАЩЕНКО А. А.
Центр высоких технологий «ХимРар», Химки, Московская область
Дорожная карта "НейроНет" Национальной технологической инициативы

Следующая технологическая революция будет связана с технологиями НейроНет и кардинальным увеличением производительности умственного труда за счет интеграции мозга человека и вычислительных машин. Стремительное развитие этого направления ожидается после завершения расшифровки (картирования) работы мозга, по аналогии с биотехнологической революцией, которая стартовала после расшифровки генома человека. НейроНет станет следующим этапом развития нынешнего Интернета (Web 4.0), в котором взаимодействие участников (человек – человек, человек – машина) будет осуществляться с помощью новых нейрокомпьютерных интерфейсов, в дополнение к традиционным методам, а сами компьютеры станут нейроморфными (похожими на мозг) на основе гибридных цифро-аналоговых архитектур. Прогнозируется появление социальных нейросетей и полноценного гибридного человеко-машинного интеллекта.

2. ШУМСКИЙ С. А.
Физический институт им. П.Н. Лебедева РАН, Москва
Революция глубокого обучения: состояние и перспективы машинного интеллекта

Дается обзор достижений последних лет, связанных с развитием идей глубокого обучения. Рассмотрены причины "революции глубокого обучения", достигнутые успехи, движущие силы и тенденции развития отрасли машинного обучения, нацеленной на создание искусственного интеллекта.

Понедельник, 25 апреля                    14.00 – 16.30
Аудитория Алексеевский зал

Председатель: ШУМСКИЙ Сергей Александрович, к.ф.-м.н.

3. GORBAN A.1, TYUKIN I. Y.1, PROKHOROV D. V.2, SOFEIKOV K. I.1
1University of Leicester, Great Britain
2Toyota Research Institute of North America, USA
Paradoxes of randomized choice of basis Парадоксы рандомизированного выбора базисов

В статье обсуждается проблемы выбора подходящих аппроксиматоров из семейств параметризованных элементарных функций, плотных в функциональном пространстве Гильберта. Показано, что если параметры таких элементарных функций выбраны случайным образом, то наблюдается экспоненциальный рост числа членов, требуемых для аппроксимации функции, и/или очень высокая чувствительность выхода аппроксиматора к изменениям значений этих параметров. Приводятся примеры, иллюстрирующие полученные результаты.

4. GOLOVKO V. A.
Brest State Technical University, Belarus
Глубокое обучение: теория и применение

В данной лекции рассматриваются и анализируются современные тенденции в эволюции глубоких нейронных сетей. Рассмотрены основные модели обучения глубоких нейронных сетей, базирующихся на ограниченной машине Больцмана (RBM), автоассоциативном подходе и стохастическом градиенте с ректификационной функцией активации (ReLU). Предложен новый метод для обучения ограниченной машины Больцмана (REBA) и показано, что традиционное правило обучения ограниченной машины Больцмана является частным случаем предложенного метода обучения. Доказана эквивалентность максимизации вероятности распределения данных в ограниченной машине Больцмана и минимизация суммарной квадратичной ошибки восстановления информации в слоях RBM. Рассматривается применение глубоких нейронных сетей для сжатия, визуализации и распознавания данных.

5. СТАНКЕВИЧ Л. А.1, СОНЬКИН К. М.1, ШЕМЯКИНА Н. В.2, НАГОРНОВА Ж. В.3, ХОМЕНКО Ю. Г.4
1Санкт-Петербургский политехнический университет Петра Великого
2Институт эволюционной физиологии и биохимии им. И.М. Сеченова РАН, Санкт-Петербург
3Научно-исследовательский центр «Арктика» ДВО РАН, Магадан
4Институт мозга человека им. Н.П. Бехтеревой РАН, Санкт-Петербург
Неинвазивные интерфейсы «мозг-компьютер». Классификация ЭЭГ-паттернов воображаемых движений

В данной работе обсуждаются пути развития интерфейсов (ИМК). Особое внимание отводится неинвазивным ИМК, построенным на основе анализа и распознавания электроэнцефалографических (ЭЭГ) сигналов мозга. Одно из направлений такого развития связано с разработкой пригодных для ИМК средств классификации ЭЭГ-паттернов воображаемых моторных команд, соответствующих движениям разных частей тела. Показано, что разработка таких средств актуальна, поскольку они могут существенно повысить эффективность современных неинвазивных ИМК. Обсуждаются проблемы разработки алгоритмов и программ предварительной обработки сигналов ЭЭГ и классификации выделенных из них ЭЭГ-паттернов моторных команд. Рассматриваются варианты анализа сигналов ЭЭГ на основе символьной регрессии и классификации воображаемых движений на основе искусственных нейронных сетей и метода опорных векторов. Показано, что приемлемая для ИМК точность классификации может быть достигнута при комбинированном использовании классификаторов на основе нейронных сетей и метода опорных векторов, индивидуально настраиваемых на пользователей. Обсуждаются особенности и перспективы применения неинвазивных ИМК для постинсультной реабилитации пациентов, для протезирования и роботизированного обслуживания людей с ограниченной подвижностью.

Российская академия наук Министерство образования и науки Российской Федерации Госкорпорация «Росатом» НИЯУ МИФИ НИИСИ РАН МАИ ТРИНИТИ