"Año de la universalización de la salud"
30 Julio, 2020

Investigador del INICTEL-UNI presentará Póster Científico en Escuela de Verano de Canadá

Investigador del INICTEL-UNI participará en la “Escuela de Verano de Aprendizaje Profundo y Aprendizaje por Refuerzo” de Canadá; que este año será virtual y que presentará temas importantes en investigación en el área de Inteligencia Artificial con más de 300 participantes de 45 países del mundo.
Compartir ...
Por: Ruben Guzman Manrique
El M.Sc. Itamar F. Salazar Reque, profesional de la Dirección de Investigación y Desarrollo Tecnológico (DIDT) presentará un Póster Científico en la “Escuela de Verano de Aprendizaje Profundo y Aprendizaje por Refuerzo” de CIFAR1 (Deep Learning Reinforcement Learning Summer School – DLRL Summer School) que este año será organizado por MILA (Montreal Institute for Learning Algorithms), el Instituto de Inteligencia Artificial de Quebec, y que  cuenta con más de 450 investigadores especializados en aprendizaje automático y dedicados a la excelencia científica y la innovación.

El evento, que se realizará del 3 al 7 de agosto, reúne a estudiantes de posgrado, post-doctores y profesionales en temas de investigación fundamental, así como nuevos desarrollos y aplicaciones en el mundo real del “Aprendizaje Profundo y del Aprendizaje por Refuerzo”, los cuales constituyen campos de investigación prometedores en el mundo de la Inteligencia Artificial. El “Aprendizaje Profundo”,  está basado en el uso de redes neuronales artificiales, las cuales son usadas para aprender automáticamente representaciones en diversos niveles de abstracción de los datos de entrada, mientras que el “Aprendizaje por Refuerzo” trata de desarrollar sistemas que aprendan un comportamiento óptimo a través de la interacción con un entorno.

El investigador, presentará su trabajo, en paralelo a los demás participantes, el jueves 06 de agosto en el horario de 11:45 am a 1:00 pm. En su trabajo sobre muestras adversas en redes neuronales convolucionales, comentará cómo algunas técnicas para clasificación de imágenes pueden mostrar ciertas inestabilidades cuando las imágenes de entrada son afectadas por “perturbaciones adversas” lo que puede repercutir en su desempeño. Por ejemplo, se puede hacer que la imagen de un número 9 sea clasificada como un 5 si se le añade una perturbación adversa.

De esta forma, hacer que las redes neuronales puedan manejar este tipo de perturbaciones haría que los sistemas que utilizan estas técnicas sean más robustos y confiables. En este contexto, el objetivo del póster es discutir sobre este problema y comentar algunos resultados preliminares que indican que el reemplazo de determinadas capas en las arquitecturas de las redes neuronales convolucionales podría permitir que estas mejoren su desempeño ante las perturbaciones adversas.

Así mismo, esta escuela de verano de Aprendizaje Profundo y Aprendizaje por Refuerzo, mostrará tendencias y descubrimientos de investigación más recientes, así mismo presentará una oportunidad para interactuar con los más de 300 participantes, de 45 países del mundo, estudiantes, graduados e investigadores de alto nivel en el campo de la inteligencia artificial.

Nota:

  1. CIFAR (Canadian Institute for Advanced Research) = Instituto Canadiense de Investigación Avanzada.