Série de séminaires sur l'IA 2022 : Alessandro Ingrosso

Le AI Seminar est une réunion hebdomadaire à l'Université de l'Alberta où les chercheurs intéressés par l'intelligence artificielle (AI) peuvent partager leurs recherches. Les présentateurs comprennent à la fois des conférenciers locaux de l'Université de l'Alberta et des visiteurs d'autres institutions. Les sujets peuvent être liés de quelque manière que ce soit à l'intelligence artificielle, qu'il s'agisse de travaux théoriques fondamentaux ou d'applications novatrices de techniques d'IA à de nouveaux domaines et problèmes.

Le 29 avril, Alessandro Ingrosso, chercheur postdoctoral senior au Centre international Abdus Salam de physique théorique, a présenté "Data-Driven Emergence of Convolutional Structure in Neural Networks" lors du séminaire sur l'intelligence artificielle.

L'exploitation des invariances dans les entrées est cruciale pour construire des représentations efficaces et des prédictions précises dans les circuits neuronaux. En neurosciences, l'invariance de translation est au cœur des modèles du système visuel, tandis que les réseaux de neurones convolutionnels conçus pour exploiter l'invariance de translation ont déclenché la première vague de succès de l'apprentissage profond. Si la caractéristique des convolutions, à savoir des champs réceptifs localisés qui recouvrent l'espace d'entrée, peut être mise en œuvre avec des réseaux de neurones entièrement connectés, l'apprentissage des convolutions directement à partir des entrées d'un réseau entièrement connecté s'est avéré difficile jusqu'à présent. Dans son séminaire, M. Ingrosso explique comment des réseaux neuronaux entièrement connectés au départ et résolvant une tâche de discrimination peuvent apprendre une structure convolutive directement à partir de leurs entrées, ce qui donne lieu à des champs réceptifs localisés et inclinés dans l'espace. L'invariance de la traduction et des statistiques d'ordre supérieur non triviales sont nécessaires pour apprendre les convolutions à partir de zéro. Il fournit en outre une caractérisation analytique et numérique du mécanisme de formation de motifs responsable de ce phénomène dans un modèle simple, qui aboutit à un lien inattendu entre la formation de champs réceptifs et la décomposition tensorielle des corrélations d'entrée d'ordre supérieur.

Regardez la présentation complète ci-dessous :

Tenez-vous au courant de la série de séminaires sur l'IA en vous inscrivant à la liste de diffusion.

Découvrez comment Amii fait progresser la recherche de pointe en matière d'intelligence artificielle et d'apprentissage automatique : visitez notre site Web. Recherche page.