Seminaria ogólnoinstytutowe:

Streszczenie (autorskie):

Organizacja danych do treningu sieci neuronowej (np. klasyfikatora) zwykle odbywa się w następujący sposób. Przykłady ze wszystkich klas mieszane są ze sobą i tworzą mniejsze „paczki” (ang. batch), tak by rozkład przykładów w poszczególnych paczkach był możliwie podobny do rozkładu w całym zbiorze treningowym. Jeśli zrezygnujemy z tego założenia i próbujemy uczyć sieć w bardziej naturalny sposób, sekwencyjnie pokazując kolejne klasy/zadania, okazuje się, że jest to bardzo problematyczne. Taki sposób uczenia nazywany jest „continual learning”. Na seminarium zostanie przedstawiony główny problem, scenariusze, w których badamy to zagadnienie oraz metody, które z mniejszym lub większym sukcesem próbują sobie radzić ze zjawiskiem zapominania w sieciach neuronowych.

Streszczenie (autorskie):

Referat będzie poświęcony problemowi klasyfikacji z niepełną obserwowalnością zmiennej odpowiedzi typu PU (positive and unlabelled). W tradycyjnym problemie klasyfikacji binarnej, celem jest zbudowanie modelu który przypisuje obserwacji jedną z dwóch klas: pozytywną lub negatywną na podstawie cech opisujących daną obserwację. Zakłada się że zbiór uczący, na podstawie którego dopasowuje się model, zawiera obserwacje pozytywne oraz negatywne. W problemie PU, zbiór danych uczących zawiera obserwacje które mają przypisaną etykietę pozytywną, zaś pozostałe obserwacje nie mają przypisanej etykiety. Na przykład w zastosowaniach medycznych, obserwacje niemające przypisanej klasy, mogą odpowiadać pacjentom u których nie zdiagnozowano choroby. Brak diagnozy nie oznacza jednak że choroba nie występuje. Podczas prezentacji przedstawię formalny opis problemu, podstawowe definicje i fakty oraz interesujące wyzwania związane z danymi PU. Pokażę w jaki sposób można zaadoptować popularny model regresji logistycznej dla danych PU.

Streszczenie (autorskie):

Diagnostyka zaburzeń psychicznych na podstawie danych tekstowych to nowy obszar zastosowań dla przetwarzania języka naturalnego, a w szczególności metod uczenia maszynowego i głębokiego uczenia. Omówimy serię eksperymentów wykonanych na polskojęzycznych danych tekstowych dotyczących zaburzeń ze spektrum autyzmu i schizofrenii. Wystąpienie rozpoczniemy od analizy obydwu zaburzeń oraz przedstawienia narzędzi diagnostycznych: TLC i ADOS-2, wraz z charakterystyką zebranych danych. Przedstawimy efekty zastosowania metod słownikowych, mierzących takie wymiary jak poziom abstrakcji językowej oraz wydźwięk. Następnie przejdziemy do prób automatycznego diagnozowania obydwu zaburzeń. Porównamy skuteczność: (1) tradycyjnych narzędzi diagnostycznych TLC i ADOS-2, (2) metod uczenia maszynowego i głębokiego uczenia zastosowanych do danych zgromadzonych przez te narzędzia oraz (3) psychiatrów. Omówimy skuteczność najprostszych metod typu bag-of-words, metod słownikowych, a także głębokich sieci neuronowych. Przedstawimy eksperymenty z transfer learning, a także uczeniem w scenariuszach zero-shot i few-shot, dedykowanych sytuacjom o małej liczebności danych, co jest typowym problemem w warunkach klinicznych. Psychiatria to jedna z nielicznych dziedzin medycyny, w których diagnoza większości zaburzeń opiera się na subiektywnej ocenie psychiatry. Nasze prace są krokiem w kierunku wprowadzenia zautomatyzowanych i obiektywnych narzędzi wspomagających diagnostykę.

Streszczenie (autorskie):

Prezentujemy eksperymentalne narzędzie do weryfikacji zdolności strategicznych przy niepełnej informacji, jak również do syntezy strategii. Problem ten jest dobrze znany i trudny obliczeniowo, zarówno od strony teoretycznej jak i od strony praktycznej. Narzędzie o nazwie Strategic Verifier (STV) zawiera implementację kilku współczesnych algorytmów redukcji i weryfikacji modelowej, których celem jest przezwyciężenie złożoności, zarówno czasowej jak i pamięciowej. Wśród zaimplementowanych metod znajdują się algorytmy oparte o aproksymacje stałopunktowe, dominacje strategii a także redukcje częściowo-porządkowe.