Пленарное заседание
Нейроинформатика - 2016
Понедельник, 25 апреля 11.20 – 13.00
Алексеевский зал
Председатель: ДУНИН-БАРКОВСКИЙ Виталий Львович, д.ф.-м.н.
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.
Московский физико-технический институт (государственный университет)
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
Алексеевский зал
Председатель: ШУМСКИЙ Сергей Александрович, к.ф.-м.н.
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.
