Descripción
El Laboratorio de Aprendizaje Computacional y Biológico (CBLL), ubicado en el Courant Institute de la NYU, se dedica a avanzar la investigación en aprendizaje automático, con un énfasis particular en los Modelos Basados en Energía (EBMs). Esta área de investigación, activa desde septiembre de 2003, involucra a participantes clave como Yann LeCun, Sumit Chopra y Raia Hadsell.
Los EBMs representan una clase potente de modelos gráficos probabilísticos que asocian un valor de energía a configuraciones de variables, en lugar de una probabilidad normalizada. Este enfoque simplifica la inferencia, que implica encontrar configuraciones con la energía mínima. El entrenamiento discriminatorio de EBMs tiene como objetivo asignar energías bajas a configuraciones deseadas y energías más altas a las no deseadas, un proceso a menudo guiado por funciones de pérdida cuidadosamente diseñadas.
El trabajo del laboratorio profundiza en los fundamentos teóricos y las aplicaciones prácticas de los EBMs. Esto incluye el desarrollo y análisis de diversas funciones de pérdida para dar forma efectiva a la superficie de energía, previniendo problemas como el colapso catastrófico y asegurando el comportamiento deseado del modelo. La investigación ha explorado EBMs para tareas como el reconocimiento genérico de objetos, la detección y estimación de pose de rostros, y la segmentación.
CBLL proporciona amplios recursos para investigadores y estudiantes interesados en EBMs. Estos incluyen una gran cantidad de tutoriales, charlas y videos que cubren temas desde la introducción a los EBMs hasta arquitecturas y funciones de pérdida específicas. Las publicaciones del laboratorio detallan aún más los avances en entrenamiento discriminatorio, salidas estructuradas y reconocimiento de imágenes invariante utilizando redes convolucionales y redes de transformadores de grafos.
La investigación realizada en CBLL es de gran relevancia para académicos y profesionales en inteligencia artificial, aprendizaje automático y visión por computadora. El enfoque del laboratorio en principios fundamentales de aprendizaje y su aplicación a problemas complejos lo convierte en un contribuyente significativo al campo. La disponibilidad de materiales de investigación facilita el intercambio de conocimientos y la exploración adicional de los EBMs.
Aspectos destacados de CBLL Research Lab
Enfoque en Modelos Basados en Energía (EBMs)
Investigación en entrenamiento discriminatorio
Desarrollo de funciones de pérdida para EBMs
Aplicaciones en reconocimiento de objetos
Aplicaciones en detección y estimación de pose de rostros
Aplicaciones en segmentación
Investigación en redes convolucionales
Investigación en redes de transformadores de grafos
Amplia colección de tutoriales y charlas
Disponibilidad de publicaciones de investigación
Enfoque en aprendizaje de salida estructurada
Primeros pasos con CBLL Research Lab
Explore artículos de investigación: Acceda a publicaciones que detallan metodologías y hallazgos de EBMs.
Vea tutoriales: Mire conferencias en video y presentaciones sobre conceptos de aprendizaje basado en energía.
Estudie conjuntos de datos: Utilice los conjuntos de datos disponibles para experimentación práctica con EBMs.
Revise software: Examine contribuciones de software de código abierto para implementar EBMs.
Comprenda los principios de EBM: Aprenda sobre minimización de energía y entrenamiento discriminatorio.
Investigue funciones de pérdida: Estudie diversas funciones de pérdida y su impacto en el entrenamiento de EBMs.
Examine arquitecturas: Comprenda diseños de redes como redes convolucionales y de transformadores de grafos.
Casos de uso de CBLL Research Lab
- Reconocimiento de Objetos
- Detección de Rostros
- Estimación de Pose
- Segmentación de Imágenes
- Aprendizaje de Salida Estructurada
- Aprendizaje de Características Invariantes
