Семинары
Научно-учебная лаборатория методов искусственного интеллекта для когнитивных наук объявляет о начале научных семинаров в среду, 15 мая 2024 года. Семинары направлены на создание дружественной и конструктивной среды для обмена результатами наших последних исследований, а также для обмена знаниями и опытом в области теоретических и прикладных исследований в сфере искусственного интеллекта.
В качестве примеров первой области мы можем выделить следующие проекты: (i-a) Кластеризация градиентного спуска, (i-b) Метод кластеризации с фильтрованным градиентным спуском для восстановления сообществ в атрибутированных сетях и т. д. В качестве примеров последнего можно упомянуть такие проекты, как (ii -a) Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз, (ii-b) Определение степени тяжести и типа афазии с использованием методов машинного обучения и т. д.
Семинары ориентированы на широкий круг слушателей разного уровня подготовки, включая, помимо прочего, компьютерные науки, лингвистику, нейронауки и т. д. различных профессиональных уровней. Если технические детали семинаров, посвященных прикладным проектам ИИ, будут полезны студентам, то полученные результаты и теоретические проекты могут заинтересовать более профессиональных исследователей и академиков.
Семинары обычно занимают около полутора часов, из которых 30-40 минут отводится докладчику(-ам), а остальное – обсуждению темы.
Мы будем сообщать дополнительную информацию за несколько дней до каждого семинара.
Семинары будут проходить в гибридном формате: Онлайн и очно в зале заседаний Центра языка и мозга по адресу Кривоколенный переулок, дом 3, каб. 302.
Чтобы узнать больше о лаборатории, посетите наш сайт, перейдя по ссылке ниже:
https://www.hse.ru/neuroling/vml/
Кроме того, вы можете посмотреть небольшую презентацию о лаборатории с кратким описанием наших проектов и информацией о сотрудниках: Информация о НУЛ (PDF, 874 Кб)
По дополнительным вопросам обращайтесь к руководителю лаборатории Сорушу Шалилеху по электронной почте: sshalileh@hse.ru.
Дата: 15.05.2024 в 14:00
Тема: Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз
Докладчик: Крылова Мария Владимировна (стажер-исследователь НУЛ методов искусственного интеллекта для когнитивных наук), Шалилех Соруш (кандидат технических наук, заведующий НУЛ методов искусственного интеллекта для когнитивных наук)
Аннотация: Настоящее исследование сосредоточено на следующих вопросах:
Насколько точно модели искусственного интеллекта (ИИ) могут предсказать дислексию, используя только данные о фиксации глаз? Какой наиболее эффективный способ представления фиксации глаз для обучения моделей ИИ? Какое семейство моделей ИИ дает наилучшие результаты? С этой целью мы тщательно изучили четыре «представления данных» и использовали два семейства моделей ИИ, а именно модели ансамблевого обучения и модели глубокого обучения. Наши эксперименты показали, что рассмотрение фиксации глаз как временного ряда и применение нейронной сети долгой краткосрочнойй памяти приводит к почти идеальной диагностике дислексии.
Материалы: Презентация с семинара (PDF, 12.41 Мб)
"Artificial intelligence to identify depression from audio information"
Дата: 29.05.2024 в 14:00
Тема: Artificial intelligence to identify depression from audio information
Докладчик: Казачкова Анна (студентка магистратуры НИУ ВШЭ)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Депрессия — широко распространенное психическое расстройство, которое может значительно ухудшить качество жизни. Автоматическое обнаружение депрессии может стать доступным и надежным диагностическим инструментом, решающим текущие проблемы в области психических расстройств. Цель этой статьи — изучить, насколько точно можно предсказать депрессию на основе данного набора данных и какие модели и представления данных являются наиболее устойчивыми. Исследование сосредоточено на таких формулировках проблем, как бинарная классификация и обнаружение аномалий. Используемые модели включали сверточные нейронные сети и преобразователь, и они либо обучались только на нашем наборе данных, либо использовались в виде предварительно обученных экземпляров классификации изображений. Кроме того, был рассчитан эталон классических алгоритмов машинного обучения для функций Женевского минималистичного набора акустических параметров. В целом мы получили лучшее среднее значение ROC-AUC в тесте, равное 0,72, по сравнению с эталонным значением 0,55. Этот лучший результат был достигнут благодаря тонкой настройке архитектуры InceptionV3 по алгоритму оптимизации «один плюс эпсилон».
Материалы: Презентация с семинара (PDF, 1.60 Мб)
Дата: 26.06.2024 в 14:00
Тема: AI Models to Diagnose Depression Using Acoustic Features
Докладчик: Ковалева Александра (студентка магистратуры НИУ ВШЭ, стажер-исследователь)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Депрессия является одной из наиболее распространенных психических проблем в современном мире, которая в значительной степени влияет на качество жизни человека. Многие люди склонны заниматься самодиагностикой, избегая консультации врача и пытаются вылечиться самостоятельно, поскольку прием в больнице занимает значительное время и нарушает личную жизнь. В этом исследовании мы рассмотрели различные методы искусственного интеллекта (ИИ), позволяющие определить, страдает ли человек депрессией, используя акустические характеристики (такие как высота, тон, ритм и т. д.), извлеченные из голосов.
Предполагается, что акустические характеристики являются многообещающими индикаторами депрессии. Мы взяли набор данных 346 пациентов из Научно-исследовательского центра психического здоровья в Москве, РФ, которых попросили записать свои голоса во время выполнения одного из заданий: описания изображения, чтения инструкции IKEA и рассказа своей личной истории. Для определения степени тяжести депрессии врачи использовали две шкалы: шкалу Гамильтона для оценки депрессии (HDRS) и краткий опросник по симптомам депрессии (QIDS). Мы извлекли особенности из аудиозаписей пациентов и обучили несколько различных моделей: от традиционных моделей машинного обучения (ML), таких как алгоритмы ансамблевого обучения и k-ближайших соседей, до более продвинутых архитектур глубокого обучения, таких как методы TabNet и Wide&Deep. Результаты нашего исследования показывают, что несколько моделей могут достичь высокой точности прогнозирования уровня депрессии примерно с 0,62 и 0,7 ROC-AUC и F1-Score соответственно, используя описания изображений в качестве стимула для пациентов. Кроме того, из двух шкал QIDS показала наиболее точные результаты с точки зрения прогнозирования.
В целом, наши результаты показали, что модели глубокого обучения имеют большой потенциал для обнаружения депрессии с использованием извлеченных акустических характеристик; однако необходимы дальнейшие исследования для улучшения качества полученных результатов.
Материалы: Презентация с семинара (PDF, 2.36 Мб)
В качестве примеров первой области мы можем выделить следующие проекты: (i-a) Кластеризация градиентного спуска, (i-b) Метод кластеризации с фильтрованным градиентным спуском для восстановления сообществ в атрибутированных сетях и т. д. В качестве примеров последнего можно упомянуть такие проекты, как (ii -a) Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз, (ii-b) Определение степени тяжести и типа афазии с использованием методов машинного обучения и т. д.
Семинары ориентированы на широкий круг слушателей разного уровня подготовки, включая, помимо прочего, компьютерные науки, лингвистику, нейронауки и т. д. различных профессиональных уровней. Если технические детали семинаров, посвященных прикладным проектам ИИ, будут полезны студентам, то полученные результаты и теоретические проекты могут заинтересовать более профессиональных исследователей и академиков.
Семинары обычно занимают около полутора часов, из которых 30-40 минут отводится докладчику(-ам), а остальное – обсуждению темы.
Мы будем сообщать дополнительную информацию за несколько дней до каждого семинара.
Семинары будут проходить в гибридном формате: Онлайн и очно в зале заседаний Центра языка и мозга по адресу Кривоколенный переулок, дом 3, каб. 302.
Чтобы узнать больше о лаборатории, посетите наш сайт, перейдя по ссылке ниже:
https://www.hse.ru/neuroling/vml/
Кроме того, вы можете посмотреть небольшую презентацию о лаборатории с кратким описанием наших проектов и информацией о сотрудниках: Информация о НУЛ (PDF, 874 Кб)
По дополнительным вопросам обращайтесь к руководителю лаборатории Сорушу Шалилеху по электронной почте: sshalileh@hse.ru.
"Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз"
Дата: 15.05.2024 в 14:00
Тема: Методы глубинного обучения для детектирования дислексии при помощи данных фиксации глаз
Докладчик: Крылова Мария Владимировна (стажер-исследователь НУЛ методов искусственного интеллекта для когнитивных наук), Шалилех Соруш (кандидат технических наук, заведующий НУЛ методов искусственного интеллекта для когнитивных наук)
Аннотация: Настоящее исследование сосредоточено на следующих вопросах:
Насколько точно модели искусственного интеллекта (ИИ) могут предсказать дислексию, используя только данные о фиксации глаз? Какой наиболее эффективный способ представления фиксации глаз для обучения моделей ИИ? Какое семейство моделей ИИ дает наилучшие результаты? С этой целью мы тщательно изучили четыре «представления данных» и использовали два семейства моделей ИИ, а именно модели ансамблевого обучения и модели глубокого обучения. Наши эксперименты показали, что рассмотрение фиксации глаз как временного ряда и применение нейронной сети долгой краткосрочнойй памяти приводит к почти идеальной диагностике дислексии.
Материалы: Презентация с семинара (PDF, 12.41 Мб)
"Artificial intelligence to identify depression from audio information"
Дата: 29.05.2024 в 14:00
Тема: Artificial intelligence to identify depression from audio information
Докладчик: Казачкова Анна (студентка магистратуры НИУ ВШЭ)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Депрессия — широко распространенное психическое расстройство, которое может значительно ухудшить качество жизни. Автоматическое обнаружение депрессии может стать доступным и надежным диагностическим инструментом, решающим текущие проблемы в области психических расстройств. Цель этой статьи — изучить, насколько точно можно предсказать депрессию на основе данного набора данных и какие модели и представления данных являются наиболее устойчивыми. Исследование сосредоточено на таких формулировках проблем, как бинарная классификация и обнаружение аномалий. Используемые модели включали сверточные нейронные сети и преобразователь, и они либо обучались только на нашем наборе данных, либо использовались в виде предварительно обученных экземпляров классификации изображений. Кроме того, был рассчитан эталон классических алгоритмов машинного обучения для функций Женевского минималистичного набора акустических параметров. В целом мы получили лучшее среднее значение ROC-AUC в тесте, равное 0,72, по сравнению с эталонным значением 0,55. Этот лучший результат был достигнут благодаря тонкой настройке архитектуры InceptionV3 по алгоритму оптимизации «один плюс эпсилон».
Материалы: Презентация с семинара (PDF, 1.60 Мб)
"Predicting Aphasia Type and Severity Using Machine Learning"
Дата: 19.06.2024 в 14:00
Тема: Predicting Aphasia Type and Severity Using Machine Learning
Докладчик: Каиров Матвей (студент бакалавриата НИУ ВШЭ, стажер-исследователь)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Афазия — это языковое расстройство, которое может возникнуть в результате повреждения головного мозга, часто вызванного инсультом или черепно-мозговой травмой. Тип и тяжесть афазии могут широко варьироваться у разных людей, что затрудняет постановку диагноза и лечение в реальных жизненных условиях.
В этой статье мы предлагаем подход к определению типа и тяжести афазии с использованием машинного и глубокого обучения на МРТ головного мозга (магнитно-резонансной томографии). Используя возможности глубоких нейронных сетей для дополнения и анализа данных визуализации мозга, мы стремимся разработать надежный и автоматизированный метод классификации различных типов афазии и оценки их тяжести.
Наше исследование будет включать в себя обучение нескольких моделей машинного и глубокого обучения для генерации синтетических данных, чтобы расширить существующий набор данных и точно классифицировать и количественно оценить характеристики афазии. Результаты этого исследования могут улучшить диагностику и лечение афазии, что приведет к улучшению результатов для людей, страдающих этим изнурительным состоянием.
Материалы: Презентация с семинара (PDF, 5.34 Мб)
"AI Models to Diagnose Depression Using Acoustic Features"
Дата: 26.06.2024 в 14:00
Тема: AI Models to Diagnose Depression Using Acoustic Features
Докладчик: Ковалева Александра (студентка магистратуры НИУ ВШЭ, стажер-исследователь)
Руководитель: Шалилех Соруш (кандидат технических наук, заведующй лабораторией)
Аннотация: Депрессия является одной из наиболее распространенных психических проблем в современном мире, которая в значительной степени влияет на качество жизни человека. Многие люди склонны заниматься самодиагностикой, избегая консультации врача и пытаются вылечиться самостоятельно, поскольку прием в больнице занимает значительное время и нарушает личную жизнь. В этом исследовании мы рассмотрели различные методы искусственного интеллекта (ИИ), позволяющие определить, страдает ли человек депрессией, используя акустические характеристики (такие как высота, тон, ритм и т. д.), извлеченные из голосов.
Предполагается, что акустические характеристики являются многообещающими индикаторами депрессии. Мы взяли набор данных 346 пациентов из Научно-исследовательского центра психического здоровья в Москве, РФ, которых попросили записать свои голоса во время выполнения одного из заданий: описания изображения, чтения инструкции IKEA и рассказа своей личной истории. Для определения степени тяжести депрессии врачи использовали две шкалы: шкалу Гамильтона для оценки депрессии (HDRS) и краткий опросник по симптомам депрессии (QIDS). Мы извлекли особенности из аудиозаписей пациентов и обучили несколько различных моделей: от традиционных моделей машинного обучения (ML), таких как алгоритмы ансамблевого обучения и k-ближайших соседей, до более продвинутых архитектур глубокого обучения, таких как методы TabNet и Wide&Deep. Результаты нашего исследования показывают, что несколько моделей могут достичь высокой точности прогнозирования уровня депрессии примерно с 0,62 и 0,7 ROC-AUC и F1-Score соответственно, используя описания изображений в качестве стимула для пациентов. Кроме того, из двух шкал QIDS показала наиболее точные результаты с точки зрения прогнозирования.
В целом, наши результаты показали, что модели глубокого обучения имеют большой потенциал для обнаружения депрессии с использованием извлеченных акустических характеристик; однако необходимы дальнейшие исследования для улучшения качества полученных результатов.
Материалы: Презентация с семинара (PDF, 2.36 Мб)
Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.