Theoretical Foundation of Machine Learning 2019

TFML 2019 przyciągnęło swoją renomą i ciekawym programem najwięcej uczestników z dotychczasowych edycji.

Po wielotygodniowej rejestracji w wydarzeniu wzięło udział blisko 170 uczestników, nie tylko z Polski, ale także zza granicy, kilkunastu zaproszonych speakerów oraz kilkudziesięciu wolontariuszy wspomagających nas podczas organizacji i samego eventu. Każdy z pięciu dni konferencji był inny, ale równie ciekawy i składał się z wystąpienia głównego, Plenary Lecture, zaproszonego gościa oraz z sesji, która polegała na kilkudziesięciominutowych wystąpienach ekspertów z zakresu uczenia maszynowego.

Invited speakers TFML 2019 byli kolejno Wojciech Czarnecki, Krzysztof Geras, Ilya Tolstikhin, Razvan Pascanu, Tomas Kipf, Andreas Bender oraz Emtiyaz Khan.

First-order Optimisation – Population based and Open-ended Learning to tytuł poniedziałkowego wystąpienia Wojciecha Czarneckiego z DeepMind o przejściu poza minimalizację pojedynczej funkcji - w kierunku szkolenia populacji agentów zarówno z dobrze określonymi celami, jak i całkowicie otwartą modą, gdzie nie ma obiektywnego pojęcia “lepsi” agenci/modele, ale tylko konkurencja w parze, wysoce nieprzechdnia.

Krzysztof Geras z New York University podczas wtorkowej prelekcji poruszył bardzo ciekawy temat uczenia maszynowego do obrazowania medycznego w chorobie nowotworowej, a dokładniej w raku piersi u kobiet. Głęboki model uczenia, który stworzył może przeprowadzić diagnozę z dokładnością porównywalną z doświadczonymi radiologami – to wszystko dzięki nowatorskim architekturom sieci neuronowych i metodom treningowym, które są specyficzne dla obrazowania medycznego.

Pełną salę słuchaczy zgromadził również wykład Ilya Tolstikhin z Google AI na temat Wasserstein Auto-Encoders, które zostało ostatnio wprowadzone do nienadzorowanego modelowania generatywnego.

Razvan Pascanu z DeepMind w Londynie gościł u nas z tematem Looking at transfer in reinforcement learning settings i omówił rolę transferu uczenia w zwiększaniu wydajności DRL.

Czwartek rozpoczął się od wykładu plenarnego Thomasa Kipfa z University of Amsterdam Learning with graph-structured representations – o uporządkowanych, głębokich modelach, które wykorzystują sieci neuronowe grafów jako kluczowy komponent, a zakończył wystąpieniem Andreasa Bendera z tytułem Machine Learning in Drug Discovery – From Hype to Reality. Prezentacja podzielona została na dwie bardzo ciekawe części – pierwsza, prowadzona przez Andreasa Bendera, traktowała o możliwościach i pułapkach korzystania z uczenia maszynowego i sztucznej inteligencji w kontekście wykrywania narkotyków, druga, prowadzona przez Isidro Cortesa Ciriano, była dopiełnieniem pierwszej i mówiła o nowatorskim zastosowaniu uczenia maszynowego w dziedzinie odkrywania leków, które obejmują zarówno aspekty związane z reprezentacją danych, jak i uczenie się w bardziej skuteczny sposób z chemicznych i biologicznych źródeł informacji.

Dopełnieniem TFML 2019 był ostatni, piątkowy wykład Emtiyaza Khana z Riken w Tokyo Fast yet Simple Natural-Gradient Descent for Variational Inference in Deep Learning – podsumowanie niektórych z jego ostatnich prac, które umożliwiają szybkie i proste wnioskowanie w przypadku modeli głębokich, takich jak sieć neuronowa Bayesa; wykazanie, że naturalne gradienty odgrywają fundamentalną rolę w procesie łączenia wielu istniejących metod w optymalizacji i statystykach, a co zaskakujące, są one również łatwe do wdrożenia w przypadku niektórych problemów.

Dużym zainteresowaniem cieszyły się również prezentacje osób, których prace zostały przyjęte na topowe konferencje międzynarodowe z dziedziny machine learning, m.in. Paweł Góra z Uniwersytetu Warszawskiego z Investigating performance of neural networks and gradient boosting models approximating microscopic traffic simulations in traffic optimization tasks (praca przyjęta na NeurIPS Machine Learning in Intelligent Transportation Systems Workshop) oraz Michał Łukasik z Google AI z Content Explorer: Recommending Novel Entities for a Document Writer (przedstawianą na Conference on Empirical Methods in Natural Language Processing).

Głównymi sponsorami TFML 2019 byli Brainly, Ardigen, Pegasystems, Alteris oraz RTB House, którze mieli możliwość zaprezentowania swojej firmy, jej profilu, działalności oraz osiągnięć podczas specjalnej sesji sponsorskiej.

Oprócz części naukowej nie zabrakło w naszym harmonogramie części integracyjno-rekreacyjnej jak gala dinner czy wspólne zwiedzanie Krakowa.

Mamy nadzieję, że sprostaliśmy organizacji wydarzenia Theoretical Foundation of Machine Learning 2019. Zapraszamy na kolejne edycje!