Description
Le Computational and Biological Learning Lab (CBLL), hébergé au sein de l'Institut Courant de NYU, se consacre à l'avancement de la recherche en apprentissage automatique, avec un accent particulier sur les modèles basés sur l'énergie (EBM). Ce domaine de recherche, actif depuis septembre 2003, implique des participants clés tels que Yann LeCun, Sumit Chopra et Raia Hadsell.
Les EBM représentent une classe puissante de modèles graphiques probabilistes qui associent une valeur d'énergie aux configurations de variables, plutôt qu'une probabilité normalisée. Cette approche simplifie l'inférence, qui consiste à trouver les configurations avec l'énergie minimale. L'entraînement discriminatif des EBM vise à attribuer de basses énergies aux configurations souhaitées et des énergies plus élevées aux configurations indésirables, un processus souvent guidé par des fonctions de perte soigneusement conçues.
Les travaux du laboratoire approfondissent les fondements théoriques et les applications pratiques des EBM. Cela inclut le développement et l'analyse de diverses fonctions de perte pour façonner efficacement la surface d'énergie, prévenir des problèmes tels que l'effondrement catastrophique et assurer le comportement souhaité du modèle. La recherche a exploré les EBM pour des tâches telles que la reconnaissance générique d'objets, la détection et l'estimation de pose de visages, et la segmentation.
Le CBLL fournit des ressources complètes aux chercheurs et aux étudiants intéressés par les EBM. Celles-ci comprennent une richesse de tutoriels, de présentations et de vidéos couvrant des sujets allant de l'introduction aux EBM aux architectures et fonctions de perte spécifiques. Les publications du laboratoire détaillent davantage les avancées dans l'entraînement discriminatif, les sorties structurées et la reconnaissance d'images invariante à l'aide de réseaux convolutifs et de réseaux de transformeurs graphiques.
La recherche menée au CBLL est très pertinente pour les universitaires et les praticiens en intelligence artificielle, apprentissage automatique et vision par ordinateur. L'accent mis par le laboratoire sur les principes fondamentaux de l'apprentissage et leur application à des problèmes complexes en fait un contributeur important au domaine. La disponibilité de matériel de recherche facilite le partage des connaissances et l'exploration approfondie des EBM.
Points forts de CBLL Research Lab
Focus sur les modèles basés sur l'énergie (EBM)
Recherche en entraînement discriminatif
Développement de fonctions de perte pour les EBM
Applications en reconnaissance d'objets
Applications en détection et estimation de pose de visages
Applications en segmentation
Recherche sur les réseaux convolutifs
Recherche sur les réseaux de transformeurs graphiques
Vaste collection de tutoriels et de présentations
Disponibilité de publications de recherche
Focus sur l'apprentissage de sorties structurées
Premiers pas avec CBLL Research Lab
Explorer les articles de recherche : Accédez aux publications détaillant les méthodologies et les résultats des EBM.
Regarder les tutoriels : Visionnez des conférences vidéo et des présentations sur les concepts d'apprentissage basé sur l'énergie.
Étudier les ensembles de données : Utilisez les ensembles de données disponibles pour des expérimentations pratiques avec les EBM.
Examiner les logiciels : Analysez les contributions logicielles open-source pour l'implémentation des EBM.
Comprendre les principes des EBM : Apprenez la minimisation de l'énergie et l'entraînement discriminatif.
Investiguer les fonctions de perte : Étudiez diverses fonctions de perte et leur impact sur l'entraînement des EBM.
Examiner les architectures : Comprenez les conceptions de réseaux comme les réseaux convolutifs et les réseaux de transformeurs graphiques.
Cas d'utilisation de CBLL Research Lab
- Reconnaissance d'objets
- Détection de visages
- Estimation de pose
- Segmentation d'images
- Apprentissage de sorties structurées
- Apprentissage de caractéristiques invariantes
