NeurIPS (
ΠΡΠ΄Π΅ΠΌ Π»ΠΈ ΠΌΡ, DS-ΠΈΠ½ΠΆΠ΅Π½Π΅ΡΡ, Π² Π½ΠΎΠ²ΠΎΠΌ Π΄Π΅ΡΡΡΠΈΠ»Π΅ΡΠΈΠΈ ΠΎΡΠ²Π°ΠΈΠ²Π°ΡΡ Π΅ΡΠ΅ ΠΈ Π±ΠΈΠΎΠ»ΠΎΠ³ΠΈΡ, Π»ΠΈΠ½Π³Π²ΠΈΡΡΠΈΠΊΡ, ΠΏΡΠΈΡ ΠΎΠ»ΠΎΠ³ΠΈΡ? Π Π°ΡΡΠΊΠ°ΠΆΠ΅ΠΌ Π² Π½Π°ΡΠ΅ΠΌ ΠΎΠ±Π·ΠΎΡΠ΅.
Π ΡΡΠΎΠΌ Π³ΠΎΠ΄Ρ ΠΊΠΎΠ½ΡΠ΅ΡΠ΅Π½ΡΠΈΡ ΡΠΎΠ±ΡΠ°Π»Π° Π±ΠΎΠ»Π΅Π΅ 13500 ΡΠ΅Π»ΠΎΠ²Π΅ΠΊ ΠΈΠ· 80 ΡΡΡΠ°Π½ Π² ΠΠ°Π½ΠΊΡΠ²Π΅ΡΠ΅ (ΠΠ°Π½Π°Π΄Π°). Π‘Π±Π΅ΡΠ±Π°Π½ΠΊ Π½Π΅ ΠΏΠ΅ΡΠ²ΡΠΉ Π³ΠΎΠ΄ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»ΡΠ΅Ρ Π ΠΎΡΡΠΈΡ Π½Π° ΠΊΠΎΠ½ΡΠ΅ΡΠ΅Π½ΡΠΈΠΈ β ΠΊΠΎΠΌΠ°Π½Π΄Π° DS ΡΠ°ΡΡΠΊΠ°Π·Π°Π»Π° ΠΎ Π²Π½Π΅Π΄ΡΠ΅Π½ΠΈΠΈ ML Π² Π±Π°Π½ΠΊΠΎΠ²ΡΠΊΠΈΠ΅ ΠΏΡΠΎΡΠ΅ΡΡΡ, ΠΎ ML-ΡΠΎΡΠ΅Π²Π½ΠΎΠ²Π°Π½ΠΈΠΈ ΠΈ ΠΎ Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎΡΡΡΡ
ΠΏΠ»Π°ΡΡΠΎΡΠΌΡ Sberbank DS. ΠΠ°ΠΊΠΈΠΌΠΈ ΠΆΠ΅ Π±ΡΠ»ΠΈ ΠΎΡΠ½ΠΎΠ²Π½ΡΠ΅ ΡΡΠ΅Π½Π΄Ρ 2019 Π³ΠΎΠ΄Π° Π² ML-ΠΊΠΎΠΌΠΌΡΡΠ½ΠΈΡΠΈ? Π Π°ΡΡΠΊΠ°Π·ΡΠ²Π°ΡΡ ΡΡΠ°ΡΡΠ½ΠΈΠΊΠΈ ΠΊΠΎΠ½ΡΠ΅ΡΠ΅Π½ΡΠΈΠΈ:
Π ΡΡΠΎΠΌ Π³ΠΎΠ΄Ρ Π½Π° NeurIPS Π±ΡΠ»ΠΎ ΠΏΡΠΈΠ½ΡΡΠΎ Π±ΠΎΠ»Π΅Π΅ 1400 ΡΡΠ°ΡΠ΅ΠΉ β Π°Π»Π³ΠΎΡΠΈΡΠΌΡ, Π½ΠΎΠ²ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΈ Π½ΠΎΠ²ΡΠ΅ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ ΠΊ Π½ΠΎΠ²ΡΠΌ Π΄Π°Π½Π½ΡΠΌ.
Π‘Π°Π΄ΡΠΆΠ°Ρ:
- Π’ΡΠ΅Π½Π΄ΠΎΠ²ΠΈ
-
- ΠΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΠ΅ΠΌΠΎΡΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ
- ΠΡΠ»ΡΡΠΈΠ΄ΠΈΡΡΠΈΠΏΠ»ΠΈΠ½Π°ΡΠ½ΠΎΡΡΡ
- Π Π°ΡΡΡΠΈΠ²Π°ΡΠ΅
- RL
- ΠΠΠ
- ΠΡΠ½ΠΎΠ²Π½ΡΠ΅ Invited Talks
-
- βSocial Intelligenceβ, Blaise Aguera y Arcas (Google)
- βVeridical Data Scienceβ, Bin Yu (Berkeley)
- βHuman Behavior Modeling with Machine Learning: Opportunities and Challengesβ, Nuria M Oliver, Albert Ali Salah
- βFrom System 1 to System 2 Deep Learningβ, Yoshua Bengio
Π’ΡΠ΅Π½Π΄Ρ 2019 Π³ΠΎΠ΄Π°
1. ΠΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΠ΅ΠΌΠΎΡΡΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ Π½ΠΎΠ²Π°Ρ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΡ ML
ΠΠ°Π³Π»Π°Π²Π½Π°Ρ ΡΠ΅ΠΌΠ° ΠΊΠΎΠ½ΡΠ΅ΡΠ΅Π½ΡΠΈΠΈ β ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΡ ΠΈ Π΄ΠΎΠΊΠ°Π·Π°ΡΠ΅Π»ΡΡΡΠ²Π°, ΠΏΠΎΡΠ΅ΠΌΡ ΠΌΡ ΠΏΠΎΠ»ΡΡΠ°Π΅ΠΌ ΡΠ΅ ΠΈΠ»ΠΈ ΠΈΠ½ΡΠ΅ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ. ΠΠΎΠΆΠ½ΠΎ Π΄ΠΎΠ»Π³ΠΎ ΡΠ°ΡΡΡΠΆΠ΄Π°ΡΡ ΠΎ ΡΠΈΠ»ΠΎΡΠΎΡΡΠΊΠΎΠΉ Π²Π°ΠΆΠ½ΠΎΡΡΠΈ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΠΈ βΡΠ΅ΡΠ½ΠΎΠ³ΠΎ ΡΡΠΈΠΊΠ°β, Π½ΠΎ Π±ΠΎΠ»ΡΡΠ΅ Π±ΡΠ»ΠΎ ΡΠ΅Π°Π»ΡΠ½ΡΡ ΠΌΠ΅ΡΠΎΠ΄ΠΈΠΊ ΠΈ ΡΠ΅Ρ Π½ΠΈΡΠ΅ΡΠΊΠΈΡ Π½Π°ΡΠ°Π±ΠΎΡΠΎΠΊ Π² ΡΡΠΎΠΉ ΡΡΠ΅ΡΠ΅.
ΠΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΡ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ ΠΈΠ·Π²Π»Π΅ΡΠ΅Π½ΠΈΡ Π·Π½Π°Π½ΠΈΠΉ ΠΈΠ· Π½ΠΈΡ
β Π½ΠΎΠ²ΡΠΉ ΠΈΠ½ΡΡΡΡΠΌΠ΅Π½ΡΠ°ΡΠΈΠΉ Π½Π°ΡΠΊΠΈ. ΠΠΎΠ΄Π΅Π»ΠΈ ΠΌΠΎΠ³ΡΡ ΡΠ»ΡΠΆΠΈΡΡ ΠΈΠ½ΡΡΡΡΠΌΠ΅Π½ΡΠΎΠΌ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΈΡ Π½ΠΎΠ²ΠΎΠ³ΠΎ Π·Π½Π°Π½ΠΈΡ ΠΈ Π΅Π³ΠΎ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ, ΠΈ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΠΌΡΠΌ Π΄ΠΎΠ»ΠΆΠ΅Π½ Π±ΡΡΡ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΡΡΠ°ΠΏ ΠΏΡΠ΅ΠΏΡΠΎΡΠ΅ΡΡΠΈΠ½Π³Π°, ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
Π‘ΡΡΠ΅ΡΡΠ²Π΅Π½Π½Π°Ρ Π΄ΠΎΠ»Ρ ΠΏΡΠ±Π»ΠΈΠΊΠ°ΡΠΈΠΉ ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π° Π½Π΅ ΠΏΠΎΡΡΡΠΎΠ΅Π½ΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΈ ΠΈΠ½ΡΡΡΡΠΌΠ΅Π½ΡΠΎΠ², Π° ΠΏΡΠΎΠ±Π»Π΅ΠΌΠ°ΠΌ ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠ΅Π½ΠΈΡ Π±Π΅Π·ΠΎΠΏΠ°ΡΠ½ΠΎΡΡΠΈ, ΠΏΡΠΎΠ·ΡΠ°ΡΠ½ΠΎΡΡΠΈ ΠΈ ΠΏΡΠΎΠ²Π΅ΡΡΠ΅ΠΌΠΎΡΡΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ². Π ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ, ΠΏΠΎΡΠ²ΠΈΠ»ΡΡ ΠΎΡΠ΄Π΅Π»ΡΠ½ΡΠΉ ΡΡΡΠΈΠΌ ΠΎΠ± Π°ΡΠ°ΠΊΠ°Ρ
Π½Π° ΠΌΠΎΠ΄Π΅Π»Ρ (adversarial attacks), ΠΏΡΠΈΡΠ΅ΠΌ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡΡΡ Π²Π°ΡΠΈΠ°Π½ΡΡ ΠΊΠ°ΠΊ Π°ΡΠ°ΠΊΠΈ Π½Π° ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅, ΡΠ°ΠΊ ΠΈ Π°ΡΠ°ΠΊΠΈ Π½Π° ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅.
Π§Π»Π°Π½ΡΠΈ:
Veridical Data Science β ΠΏΡΠΎΠ³ΡΠ°ΠΌΠΌΠ½Π°Ρ ΡΡΠ°ΡΡΡ ΠΎ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ Π²Π΅ΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ. ΠΠΊΠ»ΡΡΠ°Π΅Ρ ΠΎΠ±Π·ΠΎΡ ΡΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΡΡ ΡΡΠ΅Π΄ΡΡΠ² Π΄Π»Ρ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, Π² ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ β ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°Π½ΠΈΠ΅ attention ΠΈ ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΈΠ΅ feature importance Π·Π° ΡΡΠ΅Ρ Β«Π΄ΠΈΡΡΠΈΠ»Π»ΡΡΠΈΠΈΒ» Π½Π΅ΠΉΡΠΎΡΠ΅ΡΠΈ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠΌΠΈ ΠΌΠΎΠ΄Π΅Π»ΡΠΌΠΈ.This Looks Like That: Deep Learning for Interpretable Image Recognition Chaofan Chen, Oscar Li, Daniel Tao, Alina Barnett, Cynthia Rudin, Jonathan K. SuA Benchmark for Interpretability Methods in Deep Neural Networks Sara Hooker, Dumitru Erhan, Pieter-Jan Kindermans, Been KimTowards Interpretable Reinforcement Learning Using Attention Augmented Agents Alexander Mott, Daniel Zoran, Mike Chrzanowski, Daan Wierstra, Danilo Jimenez RezendeA Debiased MDI Feature Importance Measure for Random Forests Xiao Li, Yu Wang, Sumanta Basu, Karl Kumbier, Bin YuKnowledge Extraction with No Observable Data Jaemin Yoo, Minyong Cho, Taebum Kim, U KangA Step Toward Quantifying Independently Reproducible Machine Learning Research Edward Raff
ExBert.net ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°Π΅Ρ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΡ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ Π΄Π»Ρ Π·Π°Π΄Π°Ρ ΠΎΠ±ΡΠ°Π±ΠΎΡΠΊΠΈ ΡΠ΅ΠΊΡΡΠ°
2. ΠΡΠ»ΡΡΠΈΠ΄ΠΈΡΡΠΈΠΏΠ»ΠΈΠ½Π°ΡΠ½ΠΎΡΡΡ
Π§ΡΠΎΠ±Ρ ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΡΡ Π½Π°Π΄Π΅ΠΆΠ½ΡΡ ΠΏΡΠΎΠ²Π΅ΡΠΊΡ ΠΈ ΡΠ°Π·ΡΠ°Π±ΠΎΡΠ°ΡΡ ΠΌΠ΅Ρ Π°Π½ΠΈΠ·ΠΌΡ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ ΠΈ ΠΏΠΎΠΏΠΎΠ»Π½Π΅Π½ΠΈΡ Π·Π½Π°Π½ΠΈΠΉ, Π½ΡΠΆΠ½Ρ ΡΠΏΠ΅ΡΠΈΠ°Π»ΠΈΡΡΡ ΡΠΌΠ΅ΠΆΠ½ΡΡ ΠΎΠ±Π»Π°ΡΡΠ΅ΠΉ, ΠΎΠ΄Π½ΠΎΠ²ΡΠ΅ΠΌΠ΅Π½Π½ΠΎ ΠΎΠ±Π»Π°Π΄Π°ΡΡΠΈΠ΅ ΠΊΠΎΠΌΠΏΠ΅ΡΠ΅Π½ΡΠΈΡΠΌΠΈ Π² ML ΠΈ Π² ΠΏΡΠ΅Π΄ΠΌΠ΅ΡΠ½ΠΎΠΉ ΠΎΠ±Π»Π°ΡΡΠΈ (ΠΌΠ΅Π΄ΠΈΡΠΈΠ½Π΅, Π»ΠΈΠ½Π³Π²ΠΈΡΡΠΈΠΊΠ΅, Π½Π΅ΠΉΡΠΎΠ±ΠΈΠΎΠ»ΠΎΠ³ΠΈΠΈ, ΠΎΠ±ΡΠ°Π·ΠΎΠ²Π°Π½ΠΈΠΈ ΠΈ Ρ.Π΄.). ΠΡΠΎΠ±ΠΎ ΡΡΠΎΠΈΡ ΠΎΡΠΌΠ΅ΡΠΈΡΡ Π±ΠΎΠ»Π΅Π΅ Π·Π½Π°ΡΠΈΠΌΠΎΠ΅ ΠΏΡΠΈΡΡΡΡΡΠ²ΠΈΠ΅ ΡΠ°Π±ΠΎΡ ΠΈ Π²ΡΡΡΡΠΏΠ»Π΅Π½ΠΈΠΉ ΠΏΠΎ Π½Π΅ΠΉΡΠΎΠ½Π°ΡΠΊΠ°ΠΌ ΠΈ ΠΊΠΎΠ³Π½ΠΈΡΠΈΠ²Π½ΡΠΌ Π½Π°ΡΠΊΠ°ΠΌ β ΠΏΡΠΎΠΈΡΡ ΠΎΠ΄ΠΈΡ ΡΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΠ΅ ΡΠΏΠ΅ΡΠΈΠ°Π»ΠΈΡΡΠΎΠ² ΠΈ Π·Π°ΠΈΠΌΡΡΠ²ΠΎΠ²Π°Π½ΠΈΠ΅ ΠΈΠ΄Π΅ΠΉ.
ΠΠΎΠΌΠΈΠΌΠΎ ΡΡΠΎΠ³ΠΎ ΡΠ±Π»ΠΈΠΆΠ΅Π½ΠΈΡ, Π½Π°ΠΌΠ΅ΡΠ°Π΅ΡΡΡ ΠΌΡΠ»ΡΡΠΈΠ΄ΠΈΡΡΠΈΠΏΠ»ΠΈΠ½Π°ΡΠ½ΠΎΡΡΡ Π² ΡΠΎΠ²ΠΌΠ΅ΡΡΠ½ΠΎΠΉ ΠΎΠ±ΡΠ°Π±ΠΎΡΠΊΠ΅ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΈ ΠΈΠ· ΡΠ°Π·Π»ΠΈΡΠ½ΡΡ ΠΈΡΡΠΎΡΠ½ΠΈΠΊΠΎΠ²: ΡΠ΅ΠΊΡΡ ΠΈ ΡΠΎΡΠΎ, ΡΠ΅ΠΊΡΡ ΠΈ ΠΈΠ³ΡΡ, Π³ΡΠ°ΡΠΎΠ²ΡΠ΅ Π±Π΄ + ΡΠ΅ΠΊΡΡ ΠΈ ΡΠΎΡΠΎ.
Π§Π»Π°Π½ΡΠΈ:
- ΠΠ΅ΠΉΡΠΎΠ±ΠΈΠΎΠ»ΠΎΠ³ΠΈΡ + ML β
Interpreting and improving natural-language processing (in machines) with natural language-processing (in the brain) - VisualQA β
Learning by Abstraction: The Neural State Machine - RL + NLP β
Hierarchical Decision Making by Generating and Following Natural Language Instructions
ΠΠ²Π΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ β ΡΡΡΠ°ΡΠ΅Π³ ΠΈ ΠΈΡΠΏΠΎΠ»Π½ΠΈΡΠ΅Π»Ρ β Π½Π° ΠΎΡΠ½ΠΎΠ²Π΅ RL ΠΈ NLP ΠΈΠ³ΡΠ°ΡΡ Π² ΠΎΠ½Π»Π°ΠΉΠ½-ΡΡΡΠ°ΡΠ΅Π³ΠΈΡ
3. ΠΠ±ΡΠ°Π·Π»ΠΎΠΆΠ΅ΡΠ΅
Π£ΡΠΈΠ»Π΅Π½ΠΈΠ΅ ΠΈΡΠΊΡΡΡΡΠ²Π΅Π½Π½ΠΎΠ³ΠΎ ΠΈΠ½ΡΠ΅Π»Π»Π΅ΠΊΡΠ° β Π΄Π²ΠΈΠΆΠ΅Π½ΠΈΠ΅ Π² ΡΡΠΎΡΠΎΠ½Ρ ΡΠ°ΠΌΠΎΠΎΠ±ΡΡΠ°ΡΡΠΈΡ ΡΡ ΡΠΈΡΡΠ΅ΠΌ, βΠΎΡΠΎΠ·Π½Π°Π½Π½ΡΡ β, ΡΠ°ΡΡΡΠΆΠ΄Π°ΡΡΠΈΡ ΠΈ Π°ΡΠ³ΡΠΌΠ΅Π½ΡΠΈΡΡΡΡΠΈΡ (reasoning). Π ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ, ΡΠ°Π·Π²ΠΈΠ²Π°Π΅ΡΡΡ causal inference ΠΈ commonsense reasoning. Π§Π°ΡΡΡ Π΄ΠΎΠΊΠ»Π°Π΄ΠΎΠ² ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π° ΠΌΠ΅ΡΠ°-ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ (ΠΎ ΡΠΎΠΌ, ΠΊΠ°ΠΊ ΡΡΠΈΡΡΡΡ ΡΡΠΈΡΡΡΡ) ΠΈ ΡΠΎΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΡ DL-ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΉ Ρ Π»ΠΎΠ³ΠΈΠΊΠΎΠΉ 1 ΠΈ 2 ΠΏΠΎΡΡΠ΄ΠΊΠ° β ΡΠ΅ΡΠΌΠΈΠ½ Artificial General Intelligence (AGI) ΡΡΠ°Π½ΠΎΠ²ΠΈΡΡΡ ΠΎΠ±ΡΡΠ½ΡΠΌ ΡΠ΅ΡΠΌΠΈΠ½ΠΎΠΌ Π² Π²ΡΡΡΡΠΏΠ»Π΅Π½ΠΈΡΡ ΡΠΏΠΈΠΊΠ΅ΡΠΎΠ².
Π§Π»Π°Π½ΡΠΈ:
Heterogeneous Graph Learning for Visual Commonsense Reasoning Weijiang Yu, Jingwen Zhou, Weihao Yu, Xiaodan Liang, Nong XiaoBridging Machine Learning and Logical Reasoning by Abductive Learning Wang-Zhou Dai, Qiuling Xu, Yang Yu, Zhi-Hua ZhouImplicitly learning to reason in first-order logic Vaishak Belle, Brendan JubaPHYRE: A New Benchmark for Physical Reasoning Anton Bakhtin, Laurens van der Maaten, Justin Johnson, Laura Gustafson, Ross GirshickQuantum Embedding of Knowledge for Reasoning Dinesh Garg, Shajith Ikbal, Santosh K. Srivastava, Harit Vishwakarma, Hima Karanam, L Venkata Subramaniam
4.Reinforcement Learning
ΠΠΎΠ»ΡΡΠ°Ρ ΡΠ°ΡΡΡ ΡΠ°Π±ΠΎΡ ΠΏΡΠΎΠ΄ΠΎΠ»ΠΆΠ°Π΅Ρ ΡΠ°Π·Π²ΠΈΠ²Π°ΡΡ ΡΡΠ°Π΄ΠΈΡΠΈΠΎΠ½Π½ΡΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ RL β DOTA2, Starcraft, ΡΠΎΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΠ΅ Π°ΡΡ ΠΈΡΠ΅ΠΊΡΡΡ Ρ ΠΊΠΎΠΌΠΏΡΡΡΠ΅ΡΠ½ΡΠΌ Π·ΡΠ΅Π½ΠΈΠ΅ΠΌ, NLP, Π³ΡΠ°ΡΠΎΠ²ΡΠΌΠΈ ΠΠ.
ΠΡΠ΄Π΅Π»ΡΠ½ΡΠΉ Π΄Π΅Π½Ρ ΠΊΠΎΠ½ΡΠ΅ΡΠ΅Π½ΡΠΈΠΈ Π±ΡΠ» ΠΏΠΎΡΠ²ΡΡΠ΅Π½ RL-Π²ΠΎΡΠΊΡΠΎΠΏΡ, Π½Π° ΠΊΠΎΡΠΎΡΠΎΠΌ Π±ΡΠ»Π° ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½Π° Π°ΡΡ ΠΈΡΠ΅ΠΊΡΡΡΠ° Optimistic Actor Critic Model, ΠΏΡΠ΅Π²ΠΎΡΡ ΠΎΠ΄ΡΡΠ°Ρ Π²ΡΠ΅ ΠΏΡΠ΅Π΄ΡΠ΄ΡΡΠΈΠ΅, Π² ΡΠ°ΡΡΠ½ΠΎΡΡΠΈ Soft Actor Critic.
Π§Π»Π°Π½ΡΠΈ:
Better Exploration with Optimistic Actor Critic ; Kamil Ciosek, Quan Vuong, Robert Loftin, Katja HofmannChainerRL: A Deep Reinforcement Learning Library ; Yasuhiro Fujita (Preferred Networks, Inc.)*; Toshiki Kataoka (Preferred Networks, Inc.); Prabhat Nagarajan (Preferred Networks); Takahiro Ishikawa (The University of Tokyo) [external pdf link].Dream to Control: Learning Behaviors by Latent Imagination ; Danijar Hafner (Google)*; Timothy Lillicrap (DeepMind); Jimmy Ba (University of Toronto); Mohammad Norouzi (Google Brain)ΠΠ°ΡΠ΅ΡΠΈΠ°Π»Ρ Π²ΠΎΡΠΊΡΠΎΠΏΠ°
ΠΠ³ΡΠΎΠΊΠΈ Π² StarCraft ΡΡΠ°ΠΆΠ°ΡΡΡΡ Ρ ΠΌΠΎΠ΄Π΅Π»ΡΡ Alphastar (DeepMind)
5. GAN
ΠΠ΅Π½Π΅ΡΠ°ΡΠΈΠ²Π½ΡΠ΅ ΡΠ΅ΡΠΈ Π²ΡΠ΅ Π΅ΡΠ΅ Π² ΡΠΎΠΊΡΡΠ΅ Π²Π½ΠΈΠΌΠ°Π½ΠΈΡ: ΠΌΠ½ΠΎΠ³ΠΎ ΡΠ°Π±ΠΎΡ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΡΡ vanilla GANΡ Π΄Π»Ρ ΠΌΠ°ΡΠ΅ΠΌΠ°ΡΠΈΡΠ΅ΡΠΊΠΈΡ Π΄ΠΎΠΊΠ°Π·Π°ΡΠ΅Π»ΡΡΡΠ², Π° ΡΠ°ΠΊΠΆΠ΅ ΠΏΡΠΈΠΌΠ΅Π½ΡΡΡ ΠΈΡ Π² Π½ΠΎΠ²ΡΡ , Π½Π΅ΠΎΠ±ΡΡΠ½ΡΡ Π²Π°ΡΠΈΠ°Π½ΡΠ°Ρ (Π³ΡΠ°ΡΠΎΠ²ΡΠ΅ Π³Π΅Π½Π΅ΡΠ°ΡΠΈΠ²Π½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΡΠ°Π±ΠΎΡΠ° Ρ ΡΡΠ΄Π°ΠΌΠΈ, ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ ΠΊ ΠΏΡΠΈΡΠΈΠ½Π½ΠΎ-ΡΠ»Π΅Π΄ΡΡΠ²Π΅Π½Π½ΡΠΌ ΡΠ²ΡΠ·ΡΠΌ Π² Π΄Π°Π½Π½ΡΡ ΠΈ Ρ.Π΄.).
Π§Π»Π°Π½ΡΠΈ:
Mining GOLD Samples for Conditional GANs Sangwoo Mo, Chiheon Kim, Sungwoong Kim, Minsu Cho, Jinwoo ShinProgressive Augmentation of GANs Dan Zhang, Anna KhorevaModeling Tabular data using Conditional GAN Lei Xu, Maria Skoularidou, Alfredo Cuesta-Infante, Kalyan Veeramachanenipapers.nips.cc/paper/9377-a-domain-agnostic-measure-for-monitoring-and-evaluating-gans
ΠΠΎΡΠΊΠΎΠ»ΡΠΊΡ ΡΠ°Π±ΠΎΡ Π±ΡΠ»ΠΎ ΠΏΡΠΈΠ½ΡΡΠΎ Π±ΠΎΠ»Π΅Π΅
Invited Talks
βSocial Intelligenceβ, Blaise Aguera y Arcas (Google)
ΠΠΎΠΊΠ»Π°Π΄ ΠΏΠΎΡΠ²ΡΡΠ΅Π½ ΠΎΠ±ΡΠ΅ΠΉ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈ ΠΏΠ΅ΡΡΠΏΠ΅ΠΊΡΠΈΠ²Π°ΠΌ, ΠΌΠ΅Π½ΡΡΡΠΈΠΌ ΠΈΠ½Π΄ΡΡΡΡΠΈΡ ΠΏΡΡΠΌΠΎ ΡΠ΅ΠΉΡΠ°Ρ β ΠΏΠ΅ΡΠ΅Π΄ ΠΊΠ°ΠΊΠΈΠΌ ΡΠ°ΡΠΏΡΡΡΠ΅ΠΌ ΠΌΡ ΡΡΠΎΠΈΠΌ? ΠΠ°ΠΊ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ ΠΌΠΎΠ·Π³ ΠΈ ΡΠ²ΠΎΠ»ΡΡΠΈΡ, ΠΈ ΠΏΠΎΡΠ΅ΠΌΡ ΠΌΡ ΡΠ°ΠΊ ΠΌΠ°Π»ΠΎ ΠΈΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌ ΡΠΎ, ΡΡΠΎ ΡΠΆΠ΅ Ρ
ΠΎΡΠΎΡΠΎ Π·Π½Π°Π΅ΠΌ ΠΎ ΡΠ°Π·Π²ΠΈΡΠΈΠΈ Π΅ΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΡΡ
ΡΠΈΡΡΠ΅ΠΌ?
ΠΠ½Π΄ΡΡΡΡΠΈΠ°Π»ΡΠ½ΠΎΠ΅ ΡΠ°Π·Π²ΠΈΡΠΈΠ΅ ML Π²ΠΎ ΠΌΠ½ΠΎΠ³ΠΎΠΌ ΡΠΎΠ²ΠΏΠ°Π΄Π°Π΅Ρ Ρ Π²Π΅Ρ Π°ΠΌΠΈ ΡΠ°Π·Π²ΠΈΡΠΈΡ ΠΊΠΎΠΌΠΏΠ°Π½ΠΈΠΈ Google, ΠΈΠ· Π³ΠΎΠ΄Π° Π² Π³ΠΎΠ΄ ΠΏΡΠ±Π»ΠΈΠΊΡΡΡΠ΅ΠΉ ΡΠ²ΠΎΠΈ ΠΈΡΡΠ»Π΅Π΄ΠΎΠ²Π°Π½ΠΈΡ Π½Π° NeurIPS:
- 1997 β Π·Π°ΠΏΡΡΠΊ ΠΏΠΎΠΈΡΠΊΠΎΠ²ΡΡ ΠΌΠΎΡΠ½ΠΎΡΡΠ΅ΠΉ, ΠΏΠ΅ΡΠ²ΡΠ΅ ΡΠ΅ΡΠ²Π΅ΡΠ°, Π½Π΅Π±ΠΎΠ»ΡΡΠ°Ρ Π²ΡΡΠΈΡΠ»ΠΈΡΠ΅Π»ΡΠ½Π°Ρ ΠΌΠΎΡΠ½ΠΎΡΡΡ
- 2010 β ΠΠΆΠ΅ΡΡ ΠΠΈΠ½ Π·Π°ΠΏΡΡΠΊΠ°Π΅Ρ ΠΏΡΠΎΠ΅ΠΊΡ Google Brain, Π±ΡΠΌ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΠ΅ΠΉ Π² ΡΠ°ΠΌΠΎΠΌ Π½Π°ΡΠ°Π»Π΅
- 2015 β ΠΈΠ½Π΄ΡΡΡΡΠΈΠ°Π»ΡΠ½ΠΎΠ΅ Π²Π½Π΅Π΄ΡΠ΅Π½ΠΈΠ΅ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΠ΅ΠΉ, Π±ΡΡΡΡΠΎΠ΅ ΡΠ°ΡΠΏΠΎΠ·Π½Π°Π²Π°Π½ΠΈΠ΅ Π»ΠΈΡ ΠΏΡΡΠΌΠΎ Π½Π° Π»ΠΎΠΊΠ°Π»ΡΠ½ΠΎΠΌ ΡΡΡΡΠΎΠΉΡΡΠ²Π΅, Π½ΠΈΠ·ΠΊΠΎΡΡΠΎΠ²Π½Π΅Π²ΡΠ΅ ΠΏΡΠΎΡΠ΅ΡΡΠΎΡΡ, Π·Π°ΡΠΎΡΠ΅Π½Π½ΡΠ΅ ΠΏΠΎΠ΄ ΡΠ΅Π½Π·ΠΎΡΠ½ΡΠ΅ Π²ΡΡΠΈΡΠ»Π΅Π½ΠΈΡ β TPU. Google Π·Π°ΠΏΡΡΠΊΠ°Π΅Ρ Coral ai β Π°Π½Π°Π»ΠΎΠ³ raspberry pi, ΠΌΠΈΠ½ΠΈ-ΠΊΠΎΠΌΠΏΡΡΡΠ΅Ρ Π΄Π»Ρ Π²Π½Π΅Π΄ΡΠ΅Π½ΠΈΡ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΠ΅ΠΉ Π² ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΠ°Π»ΡΠ½ΡΠ΅ ΡΡΡΠ°Π½ΠΎΠ²ΠΊΠΈ
- 2017 β Google Π½Π°ΡΠΈΠ½Π°Π΅Ρ ΡΠ°Π·ΡΠ°Π±ΠΎΡΠΊΡ Π΄Π΅ΡΠ΅Π½ΡΡΠ°Π»ΠΈΠ·ΠΎΠ²Π°Π½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈ ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΠ΅ΠΉ Ρ ΡΠ°Π·Π½ΡΡ ΡΡΡΡΠΎΠΉΡΡΠ² Π² ΠΎΠ΄Π½Ρ ΠΌΠΎΠ΄Π΅Π»Ρ β Π½Π° android
Π‘Π΅Π³ΠΎΠ΄Π½Ρ ΡΠ΅Π»Π°Ρ ΠΈΠ½Π΄ΡΡΡΡΠΈΡ Π·Π°Π½ΠΈΠΌΠ°Π΅ΡΡΡ Π²ΠΎΠΏΡΠΎΡΠ°ΠΌΠΈ Π±Π΅Π·ΠΎΠΏΠ°ΡΠ½ΠΎΡΡΠΈ Π΄Π°Π½Π½ΡΡ , ΠΎΠ±ΡΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΡ ΠΈ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²Π΅Π΄Π΅Π½ΠΈΡ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π½Π° Π»ΠΎΠΊΠ°Π»ΡΠ½ΡΡ ΡΡΡΡΠΎΠΉΡΡΠ²Π°Ρ .
ΠΠ΅Π½Π΅ΡΠ°ΡΠΈΠ²Π½ΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π½Π° ΠΎΡΠ½ΠΎΠ²Π°Π½ΠΈΠΈ federated learning β Π±ΡΠ΄ΡΡΠ΅Π΅ ΠΏΠ΅ΡΡΠΏΠ΅ΠΊΡΠΈΠ²Π½ΠΎΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΏΠΎ ΠΌΠ½Π΅Π½ΠΈΡ Google, ΠΊΠΎΡΠΎΡΠΎΠ΅ Π½Π°Ρ ΠΎΠ΄ΠΈΡΡΡ βΠ² ΡΠ°Π½Π½ΠΈΡ ΡΡΠ°Π΄ΠΈΡΡ ΡΠΊΡΠΏΠΎΠ½Π΅Π½ΡΠΈΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΠΎΡΡΠ°β. GANΡ, ΠΏΠΎ ΠΌΠ½Π΅Π½ΠΈΡ Π»Π΅ΠΊΡΠΎΡΠ°, ΡΠΏΠΎΡΠΎΠ±Π½Ρ Π½Π°ΡΡΠΈΡΡΡΡ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΡΡ ΠΌΠ°ΡΡΠΎΠ²ΠΎΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅ ΠΏΠΎΠΏΡΠ»ΡΡΠΈΠΉ ΠΆΠΈΠ²ΡΡ ΠΎΡΠ³Π°Π½ΠΈΠ·ΠΌΠΎΠ², Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ΠΌΡΡΠ»Π΅Π½ΠΈΡ.
ΠΠ° ΠΏΡΠΈΠΌΠ΅ΡΠ΅ Π΄Π²ΡΡ ΠΏΡΠΎΡΡΡΡ Π°ΡΡ ΠΈΡΠ΅ΠΊΡΡΡ GAN ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°Π΅ΡΡΡ, ΡΡΠΎ Π² Π½ΠΈΡ ΠΏΠΎΠΈΡΠΊ ΠΏΡΡΠΈ ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ Π±Π»ΡΠΆΠ΄Π°Π΅Ρ ΠΏΠΎ ΠΊΡΡΠ³Ρ, Π° Π·Π½Π°ΡΠΈΡ, ΠΊΠ°ΠΊ ΡΠ°ΠΊΠΎΠ²Π°Ρ ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΡ Π½Π΅ ΠΏΡΠΎΠΈΡΡ ΠΎΠ΄ΠΈΡ. ΠΡΠΈ ΡΡΠΎΠΌ ΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΠΎΡΠ΅Π½Ρ ΡΡΠΏΠ΅ΡΠ½ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΡΡΡ ΡΠΊΡΠΏΠ΅ΡΠΈΠΌΠ΅Π½ΡΡ, ΠΊΠΎΡΠΎΡΡΠ΅ Π±ΠΈΠΎΠ»ΠΎΠ³ΠΈ ΡΡΠ°Π²ΡΡ Π½Π°Π΄ ΠΏΠΎΠΏΡΠ»ΡΡΠΈΡΠΌΠΈ Π±Π°ΠΊΡΠ΅ΡΠΈΠΉ, Π·Π°ΡΡΠ°Π²Π»ΡΡ ΠΈΡ ΡΡΠΈΡΡΡΡ Π½ΠΎΠ²ΡΠΌ ΡΡΡΠ°ΡΠ΅Π³ΠΈΡΠΌ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΡ Π² ΠΏΠΎΠΈΡΠΊΠ°Ρ ΠΏΠΈΡΠΈ. ΠΠΎΠΆΠ½ΠΎ ΡΠ΄Π΅Π»Π°ΡΡ Π²ΡΠ²ΠΎΠ΄ ΠΎ ΡΠΎΠΌ, ΡΡΠΎ ΠΆΠΈΠ·Π½Ρ ΡΠ°Π±ΠΎΡΠ°Π΅Ρ ΠΈΠ½Π°ΡΠ΅, ΡΠ΅ΠΌ ΡΡΠ½ΠΊΡΠΈΡ ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ.
ΠΠ»ΡΠΆΠ΄Π°ΡΡΠ°Ρ ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΡ GAN
ΠΡΠ΅ ΡΠΎ, ΡΡΠΎ ΠΌΡ Π΄Π΅Π»Π°Π΅ΠΌ Π² ΡΠ°ΠΌΠΊΠ°Ρ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΡΠ΅ΠΉΡΠ°Ρ β ΡΡΠΎ ΡΠ·ΠΊΠΈΠ΅ ΠΈ ΠΊΡΠ°ΠΉΠ½Π΅ ΡΠΎΡΠΌΠ°Π»ΠΈΠ·ΠΎΠ²Π°Π½Π½ΡΠ΅ Π·Π°Π΄Π°ΡΠΈ, Π² ΡΠΎ Π²ΡΠ΅ΠΌΡ ΠΊΠ°ΠΊ ΡΡΠΈ ΡΠΎΡΠΌΠ°Π»ΠΈΠ·ΠΌΡ ΠΏΠ»ΠΎΡ ΠΎ ΠΎΠ±ΠΎΠ±ΡΠ°ΡΡΡΡ ΠΈ Π½Π΅ ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΡΡΡ Π½Π°ΡΠ΅ΠΌΡ ΠΏΡΠ΅Π΄ΠΌΠ΅ΡΠ½ΠΎΠΌΡ Π·Π½Π°Π½ΠΈΡ Π² ΡΠ°ΠΊΠΈΡ ΠΎΠ±Π»Π°ΡΡΡΡ , ΠΊΠ°ΠΊ Π½Π΅ΠΉΡΠΎΡΠΈΠ·ΠΈΠΎΠ»ΠΎΠ³ΠΈΡ ΠΈ Π±ΠΈΠΎΠ»ΠΎΠ³ΠΈΡ.
Π§ΡΠΎ Π΄Π΅ΠΉΡΡΠ²ΠΈΡΠ΅Π»ΡΠ½ΠΎ ΡΡΠΎΠΈΡ ΠΏΠΎΠ·Π°ΠΈΠΌΡΡΠ²ΠΎΠ²Π°ΡΡ ΠΈΠ· ΠΎΠ±Π»Π°ΡΡΠΈ Π½Π΅ΠΉΡΠΎΡΠΈΠ·ΠΈΠΎΠ»ΠΎΠ³ΠΈΠΈ Π² Π±Π»ΠΈΠΆΠ°ΠΉΡΠ΅ΠΉ ΠΏΠ΅ΡΡΠΏΠ΅ΠΊΡΠΈΠ²Π΅ β ΡΡΠΎ Π½ΠΎΠ²ΡΠ΅ Π°ΡΡ ΠΈΡΠ΅ΠΊΡΡΡΡ Π½Π΅ΠΉΡΠΎΠ½ΠΎΠ² ΠΈ Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ ΠΏΠ΅ΡΠ΅ΡΠΌΠΎΡΡΠ΅ΡΡ ΠΌΠ΅Ρ Π°Π½ΠΈΠ·ΠΌΡ ΠΎΠ±ΡΠ°ΡΠ½ΠΎΠ³ΠΎ ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½Π΅Π½ΠΈΡ ΠΎΡΠΈΠ±ΠΊΠΈ.
Π‘Π°ΠΌ ΡΠ΅Π»ΠΎΠ²Π΅ΡΠ΅ΡΠΊΠΈΠΉ ΠΌΠΎΠ·Π³ ΡΡΠΈΡΡΡ Π½Π΅ ΠΊΠ°ΠΊ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΡ:
- Π£ Π½Π΅Π³ΠΎ Π½Π΅ ΡΠ»ΡΡΠ°ΠΉΠ½ΡΠ΅ ΠΏΠ΅ΡΠ²ΠΈΡΠ½ΡΠ΅ Π²Π²ΠΎΠ΄Π½ΡΠ΅, Π² ΡΠΎΠΌ ΡΠΈΡΠ»Π΅ Π·Π°Π»ΠΎΠΆΠ΅Π½Π½ΡΠ΅ ΡΠ΅ΡΠ΅Π· ΠΎΡΠ³Π°Π½Ρ ΡΡΠ²ΡΡΠ² ΠΈ Π² Π΄Π΅ΡΡΡΠ²Π΅
- Π£ Π½Π΅Π³ΠΎ Π΅ΡΡΡ Π·Π°Π»ΠΎΠΆΠ΅Π½Π½ΡΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΡ ΠΈΠ½ΡΡΠΈΠ½ΠΊΡΠΈΠ²Π½ΠΎΠ³ΠΎ ΡΠ°Π·Π²ΠΈΡΠΈΡ (ΡΡΡΠ΅ΠΌΠ»Π΅Π½ΠΈΠ΅ Π²ΡΡΡΠΈΡΡ ΡΠ·ΡΠΊ Ρ ΠΌΠ»Π°Π΄Π΅Π½ΡΠ°, ΠΏΡΡΠΌΠΎΡ ΠΎΠΆΠ΄Π΅Π½ΠΈΠ΅)
ΠΠ±ΡΡΠ΅Π½ΠΈΠ΅ ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΠΌΠΎΠ·Π³Π° β Π½ΠΈΠ·ΠΊΠΎΡΡΠΎΠ²Π½Π΅Π²Π°Ρ Π·Π°Π΄Π°ΡΠ°, Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎ, Π½Π°ΠΌ ΡΡΠΎΠΈΡ ΡΠ°ΡΡΠΌΠ°ΡΡΠΈΠ²Π°ΡΡ βΠΊΠΎΠ»ΠΎΠ½ΠΈΠΈβ Π±ΡΡΡΡΠΎ ΡΠΌΠ΅Π½ΡΡΡΠΈΡ ΡΡ ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΡΠΌΠΎΠ², ΠΏΠ΅ΡΠ΅Π΄Π°ΡΡΠΈΡ Π΄ΡΡΠ³ Π΄ΡΡΠ³Ρ Π·Π½Π°Π½ΠΈΡ, ΡΡΠΎΠ±Ρ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²Π΅ΡΡΠΈ ΠΌΠ΅Ρ Π°Π½ΠΈΠ·ΠΌΡ Π³ΡΡΠΏΠΏΠΎΠ²ΠΎΠΉ ΡΠ²ΠΎΠ»ΡΡΠΈΠΈ.
Π§ΡΠΎ ΠΌΡ ΠΌΠΎΠΆΠ΅ΠΌ ΠΏΠ΅ΡΠ΅Π½ΡΡΡ Π² Π°Π»Π³ΠΎΡΠΈΡΠΌΡ ML ΡΠΆΠ΅ ΡΠ΅ΠΉΡΠ°Ρ:
- ΠΡΠΈΠΌΠ΅Π½ΠΈΡΡ cell lineage ΠΌΠΎΠ΄Π΅Π»ΠΈ, ΠΎΠ±Π΅ΡΠΏΠ΅ΡΠΈΠ²Π°ΡΡΠΈΠ΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠ΅ ΠΏΠΎΠΏΡΠ»ΡΡΠΈΠΈ, Π½ΠΎ ΠΊΠΎΡΠΎΡΠΊΡΡ ΠΆΠΈΠ·Π½Ρ ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΡΠΌΠ° (βΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΠ³ΠΎ ΠΌΠΎΠ·Π³Π°β)
- Few-shot learning Π½Π° Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΌ ΠΊΠΎΠ»ΠΈΡΠ΅ΡΡΠ²Π΅ ΠΏΡΠΈΠΌΠ΅ΡΠΎΠ²
- ΠΠΎΠ»Π΅Π΅ ΡΠ»ΠΎΠΆΠ½ΡΠ΅ ΡΡΡΡΠΊΡΡΡΡ Π½Π΅ΠΉΡΠΎΠ½ΠΎΠ², Π½Π΅ΠΌΠ½ΠΎΠ³ΠΎ Π΄ΡΡΠ³ΠΈΠ΅ ΡΡΠ½ΠΊΡΠΈΠΈ Π°ΠΊΡΠΈΠ²Π°ΡΠΈΠΈ
- ΠΠ΅ΡΠ΅Π΄Π°ΡΠ° βΠ³Π΅Π½ΠΎΠΌΠ°β ΡΠ»Π΅Π΄ΡΡΡΠΈΠΌ ΠΏΠΎΠΊΠΎΠ»Π΅Π½ΠΈΡΠΌ β Π°Π»Π³ΠΎΡΠΈΡΠΌ ΠΎΠ±ΡΠ°ΡΠ½ΠΎΠ³ΠΎ ΡΠ°ΡΠΏΡΠΎΡΡΡΠ°Π½Π΅Π½ΠΈΡ ΠΎΡΠΈΠ±ΠΊΠΈ
- ΠΠ°ΠΊ ΡΠΎΠ»ΡΠΊΠΎ ΠΌΡ ΡΠΎΠ΅Π΄ΠΈΠ½ΠΈΠΌ Π½Π΅ΠΉΡΠΎΡΠΈΠ·ΠΈΠΎΠ»ΠΎΠ³ΠΈΡ ΠΈ Π½Π΅ΠΉΡΠΎΠ½Π½ΡΠ΅ ΡΠ΅ΡΠΈ, ΠΌΡ Π½Π°ΡΡΠΈΠΌΡΡ ΡΡΡΠΎΠΈΡΡ ΠΌΠ½ΠΎΠ³ΠΎΡΡΠ½ΠΊΡΠΈΠΎΠ½Π°Π»ΡΠ½ΡΠΉ ΠΌΠΎΠ·Π³ ΠΈΠ· ΠΌΠ½ΠΎΠΆΠ΅ΡΡΠ²Π° ΡΠΎΡΡΠ°Π²Π»ΡΡΡΠΈΡ .
Π‘ ΡΡΠΎΠΉ ΡΠΎΡΠΊΠΈ Π·ΡΠ΅Π½ΠΈΡ ΠΏΡΠ°ΠΊΡΠΈΠΊΠ° SOTA ΡΠ΅ΡΠ΅Π½ΠΈΠΉ β ΠΏΠ°Π³ΡΠ±Π½Π°Ρ ΠΈ Π΄ΠΎΠ»ΠΆΠ½Π° Π±ΡΡΡ ΠΏΠ΅ΡΠ΅ΡΠΌΠΎΡΡΠ΅Π½Π° Π² ΡΠ³ΠΎΠ΄Ρ ΡΠ°Π·Π²ΠΈΡΠΈΡ ΠΎΠ±ΡΠΈΡ Π·Π°Π΄Π°Ρ (benchmarks).
βVeridical Data Scienceβ, Bin Yu (Berkeley)
ΠΠΎΠΊΠ»Π°Π΄ ΠΏΠΎΡΠ²ΡΡΠ΅Π½ ΠΏΡΠΎΠ±Π»Π΅ΠΌΠ΅ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ ΠΌΠ°ΡΠΈΠ½Π½ΠΎΠ³ΠΎ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ ΠΈ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ ΠΈΡ
Π½Π΅ΠΏΠΎΡΡΠ΅Π΄ΡΡΠ²Π΅Π½Π½ΠΎΠΉ ΠΏΡΠΎΠ²Π΅ΡΠΊΠΈ ΠΈ Π²Π΅ΡΠΈΡΠΈΠΊΠ°ΡΠΈΠΈ. ΠΡΠ±Π°Ρ ΠΎΠ±ΡΡΠ΅Π½Π½Π°Ρ ML-ΠΌΠΎΠ΄Π΅Π»Ρ ΠΌΠΎΠΆΠ΅Ρ Π±ΡΡΡ Π²ΠΎΡΠΏΡΠΈΠ½ΡΡΠ° ΠΊΠ°ΠΊ ΠΈΡΡΠΎΡΠ½ΠΈΠΊ Π·Π½Π°Π½ΠΈΠΉ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΈΠ· Π½Π΅Π΅ Π½Π΅ΠΎΠ±Ρ
ΠΎΠ΄ΠΈΠΌΠΎ ΠΈΠ·Π²Π»Π΅ΡΡ.
ΠΠΎ ΠΌΠ½ΠΎΠ³ΠΈΡ ΠΎΠ±Π»Π°ΡΡΡΡ , ΠΎΡΠΎΠ±Π΅Π½Π½ΠΎ Π² ΠΌΠ΅Π΄ΠΈΡΠΈΠ½Π΅, ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π½Π΅Π²ΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎ Π±Π΅Π· ΠΈΠ·Π²Π»Π΅ΡΠ΅Π½ΠΈΡ ΡΡΠΈΡ ΡΠΊΡΡΡΡΡ Π·Π½Π°Π½ΠΈΠΉ ΠΈ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠ°ΡΠΈΠΈ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΠΎΠ² ΠΌΠΎΠ΄Π΅Π»ΠΈ β ΠΈΠ½Π°ΡΠ΅ ΠΌΡ Π½Π΅ Π±ΡΠ΄Π΅ΠΌ ΡΠ²Π΅ΡΠ΅Π½Ρ, ΡΡΠΎ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ Π±ΡΠ΄ΡΡ ΡΡΠ°Π±ΠΈΠ»ΡΠ½Ρ, Π½Π΅ΡΠ»ΡΡΠ°ΠΉΠ½Ρ, Π½Π°Π΄Π΅ΠΆΠ½Ρ, Π½Π΅ ΡΠ±ΡΡΡ ΠΏΠ°ΡΠΈΠ΅Π½ΡΠ°. Π¦Π΅Π»ΠΎΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ ΡΠ°Π±ΠΎΡΡ ΡΠ°Π·Π²ΠΈΠ²Π°Π΅ΡΡΡ Π²Π½ΡΡΡΠΈ ΠΏΠ°ΡΠ°Π΄ΠΈΠ³ΠΌΡ deep learning ΠΈ Π²ΡΡ ΠΎΠ΄ΠΈΡ Π·Π° Π΅Π΅ ΠΏΡΠ΅Π΄Π΅Π»Ρ β veridical data science. Π§ΡΠΎ ΡΡΠΎ ΡΠ°ΠΊΠΎΠ΅?
ΠΡ Ρ ΠΎΡΠΈΠΌ Π΄ΠΎΡΡΠΈΡΡ ΡΠ°ΠΊΠΎΠ³ΠΎ ΠΊΠ°ΡΠ΅ΡΡΠ²Π° Π½Π°ΡΡΠ½ΡΡ ΠΏΡΠ±Π»ΠΈΠΊΠ°ΡΠΈΠΉ ΠΈ Π²ΠΎΡΠΏΡΠΎΠΈΠ·Π²ΠΎΠ΄ΠΈΠΌΠΎΡΡΠΈ ΠΌΠΎΠ΄Π΅Π»Π΅ΠΉ, ΡΡΠΎΠ±Ρ ΠΎΠ½ΠΈ Π±ΡΠ»ΠΈ:
- ΠΏΡΠ΅Π΄ΡΠΊΠ°Π·ΡΠ΅ΠΌΡΠΌΠΈ
- Π²ΡΡΠΈΡΠ»ΠΈΠΌΡΠΌΠΈ
- ΡΡΠ°Π±ΠΈΠ»ΡΠ½ΡΠΌΠΈ
ΠΡΠΈ ΡΡΠΈ ΠΏΡΠΈΠ½ΡΠΈΠΏΠ° ΠΎΠ±ΡΠ°Π·ΡΡΡ ΠΎΡΠ½ΠΎΠ²Ρ Π½ΠΎΠ²ΠΎΠΉ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ. ΠΠ°ΠΊ ΠΌΠΎΠΆΠ½ΠΎ ΠΏΡΠΎΠ²Π΅ΡΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ ML Π½Π° ΡΠΎΠΎΡΠ²Π΅ΡΡΡΠ²ΠΈΠ΅ ΡΡΠΈΠΌ ΠΊΡΠΈΡΠ΅ΡΠΈΡΠΌ? Π‘Π°ΠΌΡΠΉ ΠΏΡΠΎΡΡΠΎΠΉ ΡΠΏΠΎΡΠΎΠ± β ΡΡΡΠΎΠΈΡΡ ΡΡΠ°Π·Ρ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΠ΅ΠΌΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ (ΡΠ΅Π³ΡΠ΅ΡΡΠΈΠΈ, Π΄Π΅ΡΠ΅Π²ΡΡ ΡΠ΅ΡΠ΅Π½ΠΈΠΉ). ΠΠ΄Π½Π°ΠΊΠΎ, ΠΌΡ Ρ ΠΎΡΠΈΠΌ ΠΏΠΎΠ»ΡΡΠΈΡΡ ΠΈ Π½Π΅ΠΏΠΎΡΡΠ΅Π΄ΡΡΠ²Π΅Π½Π½ΡΠ΅ ΠΏΠ»ΡΡΡ deep learning.
ΠΠ΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΡΡΠ΅ΡΡΠ²ΡΡΡΠΈΡ ΡΠΏΠΎΡΠΎΠ±ΠΎΠ² ΡΠ°Π±ΠΎΡΠ°ΡΡ Ρ ΠΏΡΠΎΠ±Π»Π΅ΠΌΠΎΠΉ:
- ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ;
- ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΌΠ΅ΡΠΎΠ΄Ρ, ΠΎΡΠ½ΠΎΠ²Π°Π½Π½ΡΠ΅ Π½Π° attention;
- ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ ΠΏΡΠΈ ΠΎΠ±ΡΡΠ΅Π½ΠΈΠΈ Π°Π½ΡΠ°ΠΌΠ±Π»ΠΈ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ², ΠΈ Π΄ΠΎΠ±ΠΈΠ²Π°ΡΡΡΡ ΡΠΎΠ³ΠΎ, ΡΡΠΎΠ±Ρ Π»ΠΈΠ½Π΅ΠΉΠ½ΡΠ΅ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΠ΅ΠΌΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ ΡΡΠΈΠ»ΠΈΡΡ ΠΏΡΠ΅Π΄ΡΠΊΠ°Π·ΡΠ²Π°ΡΡ ΡΠ΅ ΠΆΠ΅ ΠΎΡΠ²Π΅ΡΡ, ΡΡΠΎ ΠΈ Π½Π΅ΠΉΡΠΎΡΠ΅ΡΡ, ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΡ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΈ ΠΈΠ· Π»ΠΈΠ½Π΅ΠΉΠ½ΠΎΠΉ ΠΌΠΎΠ΄Π΅Π»ΠΈ;
- ΠΌΠ΅Π½ΡΡΡ ΠΈ Π°ΡΠ³ΠΌΠ΅Π½ΡΠΈΡΠΎΠ²Π°ΡΡ Π΄Π°Π½Π½ΡΠ΅ Π΄Π»Ρ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ. Π‘ΡΠ΄Π° Π²Ρ ΠΎΠ΄ΡΡ ΠΈ Π΄ΠΎΠ±Π°Π²Π»Π΅Π½ΠΈΠ΅ ΡΡΠΌΠΎΠ², ΠΏΠΎΠΌΠ΅Ρ , ΠΈ data augmentation;
- Π»ΡΠ±ΡΠ΅ ΠΌΠ΅ΡΠΎΠ΄Ρ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΠΎΠ·Π²ΠΎΠ»ΡΡΡ ΡΠ±Π΅Π΄ΠΈΡΡΡΡ, ΡΡΠΎ ΡΠ΅Π·ΡΠ»ΡΡΠ°ΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π½Π΅ ΡΠ»ΡΡΠ°ΠΉΠ½Ρ ΠΈ Π½Π΅ Π·Π°Π²ΠΈΡΡΡ ΠΎΡ ΠΌΠ΅Π»ΠΊΠΈΡ Π½Π΅ΠΆΠ΅Π»Π°ΡΠ΅Π»ΡΠ½ΡΡ ΠΏΠΎΠΌΠ΅Ρ (adversarial attacks);
- ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΠΎΠ²Π°ΡΡ ΠΌΠΎΠ΄Π΅Π»Ρ ΠΏΠΎΡΡ-ΡΠ°ΠΊΡΡΠΌ, ΠΏΠΎΡΠ»Π΅ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ;
- ΠΈΠ·ΡΡΠ°ΡΡ Π²Π΅ΡΠΎΠ² ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ² ΡΠ°Π·Π»ΠΈΡΠ½ΡΠΌΠΈ ΡΠΏΠΎΡΠΎΠ±Π°ΠΌΠΈ;
- ΠΈΠ·ΡΡΠ°ΡΡ Π²Π΅ΡΠΎΡΡΠ½ΠΎΡΡΠΈ Π²ΡΠ΅Ρ Π³ΠΈΠΏΠΎΡΠ΅Π·, ΡΠ°ΡΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΠ΅ ΠΊΠ»Π°ΡΡΠΎΠ².
Adversarial attack
ΠΡΠΈΠ±ΠΊΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π΄ΠΎΡΠΎΠ³ΠΎ ΡΡΠΎΡΡ Π²ΡΠ΅ΠΌ: ΡΡΠΊΠΈΠΉ ΠΏΡΠΈΠΌΠ΅Ρ β ΡΠ°Π±ΠΎΡΠ° Π Π΅ΠΉΠ½Ρ
Π°ΡΡΠ° ΠΈ Π ΠΎΠ³ΠΎΠ²Π° "
Π£ Π»ΡΠ±ΠΎΠΉ ML-ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΈ Π΅ΡΡΡ ΡΠ²ΠΎΠΉ ΠΆΠΈΠ·Π½Π΅Π½Π½ΡΠΉ ΡΠΈΠΊΠ» ΠΎΡ Π²Π½Π΅Π΄ΡΠ΅Π½ΠΈΡ Π΄ΠΎ Π²Π½Π΅Π΄ΡΠ΅Π½ΠΈΡ. ΠΠ°Π΄Π°ΡΠ° Π½ΠΎΠ²ΠΎΠΉ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ β ΡΠ΄Π΅Π»Π°ΡΡ ΠΏΡΠΎΠ²Π΅ΡΠΊΡ Π½Π° ΡΡΠ΅Ρ ΠΎΡΠ½ΠΎΠ²Π½ΡΡ ΠΏΡΠΈΠ½ΡΠΈΠΏΠ°Ρ Π½Π° ΠΊΠ°ΠΆΠ΄ΠΎΠΌ ΡΡΠ°ΠΏΠ΅ ΠΆΠΈΠ·Π½ΠΈ ΠΌΠΎΠ΄Π΅Π»ΠΈ.
Π Π΅Π·ΡΠ»ΡΠ°ΡΠΈ:
- Π Π°Π·Π²ΠΈΠ²Π°Π΅ΡΡΡ Π½Π΅ΡΠΊΠΎΠ»ΡΠΊΠΎ ΠΏΡΠΎΠ΅ΠΊΡΠΎΠ² ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΠΎΠΌΠΎΠ³ΡΡ ML-ΠΌΠΎΠ΄Π΅Π»ΠΈ Π±ΡΡΡ Π±ΠΎΠ»Π΅Π΅ Π½Π°Π΄ΡΠΆΠ½ΡΠΌΠΈ. ΠΡΠΎ, Π½Π°ΠΏΡΠΈΠΌΠ΅Ρ, deeptune (link to:
github.com/ChrisCummins/paper-end2end-dl ); - ΠΠ»Ρ Π΄Π°Π»ΡΠ½Π΅ΠΉΡΠ΅Π³ΠΎ ΡΠ°Π·Π²ΠΈΡΠΈΡ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠΎ ΡΡΡΠ΅ΡΡΠ²Π΅Π½Π½ΠΎ ΠΏΠΎΠ΄Π½ΡΡΡ ΠΊΠ°ΡΠ΅ΡΡΠ²ΠΎ ΠΏΡΠ±Π»ΠΈΠΊΠ°ΡΠΈΠΉ Π² ΡΡΠ΅ΡΠ΅ ML;
- ΠΠ°ΡΠΈΠ½Π½ΠΎΠΌΡ ΠΎΠ±ΡΡΠ΅Π½ΠΈΡ Π½ΡΠΆΠ½Ρ Π»ΠΈΠ΄Π΅ΡΡ Ρ ΠΌΡΠ»ΡΡΠΈΠ΄ΠΈΡΡΠΈΠΏΠ»ΠΈΠ½Π°ΡΠ½ΠΎΠΉ ΠΏΠΎΠ΄Π³ΠΎΡΠΎΠ²ΠΊΠΎΠΉ ΠΈ ΡΠΊΡΠΏΠ΅ΡΡΠΈΠ·ΠΎΠΉ ΠΊΠ°ΠΊ Π² ΡΠ΅Ρ Π½ΠΈΡΠ΅ΡΠΊΠΈΡ , ΡΠ°ΠΊ ΠΈ Π³ΡΠΌΠ°Π½ΠΈΡΠ°ΡΠ½ΡΡ ΠΎΠ±Π»Π°ΡΡΡΡ .
βHuman Behavior Modeling with Machine Learning: Opportunities and Challengesβ Nuria M Oliver, Albert Ali Salah
ΠΠ΅ΠΊΡΠΈΡ, ΠΏΠΎΡΠ²ΡΡΠ΅Π½Π½Π°Ρ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΡ ΡΠ΅Π»ΠΎΠ²Π΅ΠΊΠ°, Π΅Π³ΠΎ ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΡΠ΅ΡΠΊΠΈΠΌ ΠΎΡΠ½ΠΎΠ²Π°ΠΌ ΠΈ ΠΏΠ΅ΡΡΠΏΠ΅ΠΊΡΠΈΠ²Π°ΠΌ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΠΉ.
ΠΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΡ ΡΠ΅Π»ΠΎΠ²Π΅ΠΊΠ° ΠΌΠΎΠΆΠ½ΠΎ ΡΠ°Π·Π΄Π΅Π»ΠΈΡΡ Π½Π°:
- ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅
- ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΉ Π³ΡΡΠΏΠΏΡ Π»ΠΈΡ
- ΠΌΠ°ΡΡΠΎΠ²ΠΎΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅
ΠΠ°ΠΆΠ΄ΠΎΠ΅ ΠΈΠ· ΡΡΠΈΡ ΡΠΈΠΏΠΎΠ² ΠΏΠΎΠ΄Π΄Π°Π΅ΡΡΡ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΡΠΈ ΠΏΠΎΠΌΠΎΡΠΈ ML, Π½ΠΎ Ρ Π°Π±ΡΠΎΠ»ΡΡΠ½ΠΎ ΡΠ°Π·Π½ΠΎΠΉ Π²Ρ ΠΎΠ΄Π½ΠΎΠΉ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠ΅ΠΉ ΠΈ ΠΏΡΠΈΠ·Π½Π°ΠΊΠ°ΠΌΠΈ. Π£ ΠΊΠ°ΠΆΠ΄ΠΎΠ³ΠΎ ΡΠΈΠΏΠ° ΡΠ°ΠΊΠΆΠ΅ ΠΈΠΌΠ΅ΡΡΡΡ ΡΠ²ΠΎΠΈ ΡΡΠΈΡΠ΅ΡΠΊΠΈΠ΅ ΠΏΡΠΎΠ±Π»Π΅ΠΌΡ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΡΠΎΡ ΠΎΠ΄ΠΈΡ ΠΊΠ°ΠΆΠ΄ΡΠΉ ΠΏΡΠΎΠ΅ΠΊΡ:
- ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»ΡΠ½ΠΎΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅ β ΠΏΠΎΡ ΠΈΡΠ΅Π½ΠΈΠ΅ ΠΈΠ΄Π΅Π½ΡΠΈΡΠ½ΠΎΡΡΠΈ, deepfake;
- ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅ Π³ΡΡΠΏΠΏ Π»ΡΠ΄Π΅ΠΉ β Π΄Π΅Π°Π½ΠΎΠ½ΠΈΠΌΠΈΠ·Π°ΡΠΈΡ, ΠΏΠΎΠ»ΡΡΠ΅Π½ΠΈΠ΅ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΈ ΠΎ ΠΏΠ΅ΡΠ΅Π΄Π²ΠΈΠΆΠ΅Π½ΠΈΡΡ , ΡΠ΅Π»Π΅ΡΠΎΠ½Π½ΡΡ Π·Π²ΠΎΠ½ΠΊΠ°Ρ ΠΈ Ρ.Π΄.;
ΠΈΠ½Π΄ΠΈΠ²ΠΈΠ΄ΡΠ°Π»Π½ΠΎ ΠΏΠΎΠ½Π°ΡΠ°ΡΠ΅
Π Π±ΠΎΠ»ΡΡΠ΅ΠΉ ΡΡΠ΅ΠΏΠ΅Π½ΠΈ ΠΊΠ°ΡΠ°Π΅ΡΡΡ ΡΠ΅ΠΌΡ Computer Vision β ΡΠ°ΡΠΏΠΎΠ·Π½Π°Π²Π°Π½ΠΈΠ΅ ΡΠΌΠΎΡΠΈΠΉ ΡΠ΅Π»ΠΎΠ²Π΅ΠΊΠ°, Π΅Π³ΠΎ ΡΠ΅Π°ΠΊΡΠΈΠΉ. ΠΠΎΠ·ΠΌΠΎΠΆΠ½ΠΎ ΡΠΎΠ»ΡΠΊΠΎ Π² ΠΊΠΎΠ½ΡΠ΅ΠΊΡΡΠ΅, Π²ΠΎ Π²ΡΠ΅ΠΌΠ΅Π½ΠΈ Π»ΠΈΠ±ΠΎ Ρ ΠΎΡΠ½ΠΎΡΠΈΡΠ΅Π»ΡΠ½ΠΎΠΉ ΡΠΊΠ°Π»ΠΎΠΉ Π΅Π³ΠΎ ΡΠΎΠ±ΡΡΠ²Π΅Π½Π½ΠΎΠΉ Π²Π°ΡΠΈΠ°ΡΠΈΠ²Π½ΠΎΡΡΠΈ ΡΠΌΠΎΡΠΈΠΉ. ΠΠ° ΡΠ»Π°ΠΉΠ΄Π΅ β ΡΠ°ΡΠΏΠΎΠ·Π½Π°Π²Π°Π½ΠΈΠ΅ ΡΠΌΠΎΡΠΈΠΉ ΠΠΎΠ½Ρ ΠΠΈΠ·Ρ ΠΏΡΠΈ ΠΏΠΎΠΌΠΎΡΠΈ ΠΊΠΎΠ½ΡΠ΅ΠΊΡΡΠ° ΠΈΠ· ΡΠΌΠΎΡΠΈΠΎΠ½Π°Π»ΡΠ½ΠΎΠ³ΠΎ ΡΠΏΠ΅ΠΊΡΡΠ° ΡΡΠ΅Π΄ΠΈΠ·Π΅ΠΌΠ½ΠΎΠΌΠΎΡΡΠΊΠΈΡ ΠΆΠ΅Π½ΡΠΈΠ½. Π Π΅Π·ΡΠ»ΡΡΠ°Ρ: ΡΠ»ΡΠ±ΠΊΠ° ΡΠ°Π΄ΠΎΡΡΠΈ, Π½ΠΎ Ρ ΠΏΡΠ΅Π·ΡΠ΅Π½ΠΈΠ΅ΠΌ ΠΈ ΠΎΡΠ²ΡΠ°ΡΠ΅Π½ΠΈΠ΅ΠΌ. ΠΡΠΈΡΠΈΠ½Π° ΡΠΊΠΎΡΠ΅Π΅ Π²ΡΠ΅Π³ΠΎ Π² ΡΠ΅Ρ Π½ΠΈΡΠ΅ΡΠΊΠΎΠΌ ΡΠΏΠΎΡΠΎΠ±Π΅ ΠΎΠΏΡΠ΅Π΄Π΅Π»Π΅Π½ΠΈΡ βΠ½Π΅ΠΉΡΡΠ°Π»ΡΠ½ΠΎΠΉβ ΡΠΌΠΎΡΠΈΠΈ.
ΠΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅ Π½Π΅Π±ΠΎΠ»ΡΡΠΎΠΉ Π³ΡΡΠΏΠΏΡ Π»ΠΈΡ
ΠΠΎΠΊΠ° Ρ ΡΠΆΠ΅ Π²ΡΠ΅Π³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΡΠ΅ΡΡΡ ΠΈΠ·-Π·Π° Π½Π΅Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΠΎΡΡΠΈ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΠΈ. Π ΠΊΠ°ΡΠ΅ΡΡΠ²Π΅ ΠΏΡΠΈΠΌΠ΅ΡΠ° ΠΏΠΎΠΊΠ°Π·ΡΠ²Π°Π»ΠΈΡΡ ΡΠ°Π±ΠΎΡΡ 2018 β 2019 Π³Π³. Π½Π° Π΄Π΅ΡΡΡΠΊΠ°Ρ Π»ΡΠ΄Π΅ΠΉ X Π΄Π΅ΡΡΡΠΊΠ°Ρ ΡΠΎΠ»ΠΈΠΊΠΎΠ² (ΡΡ. Π΄Π°ΡΠ°ΡΠ΅ΡΡ ΠΈΠ·ΠΎΠ±ΡΠ°ΠΆΠ΅Π½ΠΈΠΉ 100ΠΊ++). ΠΠ»Ρ Π½Π°ΠΈΠ»ΡΡΡΠ΅Π³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π² ΡΠ°ΠΌΠΊΠ°Ρ ΡΡΠΎΠΉ Π·Π°Π΄Π°ΡΠΈ Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΠ° ΠΌΡΠ»ΡΡΠΈΠΌΠΎΠ΄Π°Π»ΡΠ½Π°Ρ ΠΈΠ½ΡΠΎΡΠΌΠ°ΡΠΈΡ, ΠΆΠ΅Π»Π°ΡΠ΅Π»ΡΠ½ΠΎ Ρ Π΄Π°ΡΡΠΈΠΊΠΎΠ² Π½Π° ΡΠ΅Π»Π΅-Π°Π»ΡΡΠΈΠΌΠ΅ΡΡ, ΡΠ΅ΡΠΌΠΎΠΌΠ΅ΡΡ, Π·Π°ΠΏΠΈΡΡ Ρ ΠΌΠΈΠΊΡΠΎΡΠΎΠ½Π° ΠΈ Ρ.Π΄.
ΠΠ°ΡΡΠΎΠ²ΠΎΠ΅ ΠΏΠΎΠ²Π΅Π΄Π΅Π½ΠΈΠ΅
Π‘Π°ΠΌΠΎΠ΅ ΡΠ°Π·Π²ΠΈΡΠΎΠ΅ Π½Π°ΠΏΡΠ°Π²Π»Π΅Π½ΠΈΠ΅, ΡΠ°ΠΊ ΠΊΠ°ΠΊ Π·Π°ΠΊΠ°Π·ΡΠΈΠΊΠΎΠΌ Π²ΡΡΡΡΠΏΠ°ΡΡ ΠΠΠ ΠΈ ΠΌΠ½ΠΎΠ³ΠΈΠ΅ Π³ΠΎΡΡΠ΄Π°ΡΡΡΠ²Π°. ΠΠ°ΠΌΠ΅ΡΡ Π½Π°ΡΡΠΆΠ½ΠΎΠ³ΠΎ Π½Π°Π±Π»ΡΠ΄Π΅Π½ΠΈΡ, Π΄Π°Π½Π½ΡΠ΅ ΡΠ΅Π»Π΅ΡΠΎΠ½Π½ΡΡ Π²ΡΡΠ΅ΠΊ β Π±ΠΈΠ»Π»ΠΈΠ½Π³, ΡΠΌΡ, Π·Π²ΠΎΠ½ΠΊΠΈ, Π΄Π°Π½Π½ΡΠ΅ ΠΎ ΠΏΠ΅ΡΠ΅ΠΌΠ΅ΡΠ΅Π½ΠΈΠΈ ΠΌΠ΅ΠΆΠ΄Ρ Π³ΡΠ°Π½ΠΈΡΠ°ΠΌΠΈ Π³ΠΎΡΡΠ΄Π°ΡΡΡΠ² β Π²ΡΠ΅ ΡΡΠΎ Π΄Π°Π΅Ρ ΠΎΡΠ΅Π½Ρ Π½Π°Π΄Π΅ΠΆΠ½ΠΎΠ΅ ΠΏΡΠ΅Π΄ΡΡΠ°Π²Π»Π΅Π½ΠΈΠ΅ ΠΎ ΠΏΠ΅ΡΠ΅ΠΌΠ΅ΡΠ΅Π½ΠΈΠΈ ΠΏΠΎΡΠΎΠΊΠΎΠ² Π»ΡΠ΄Π΅ΠΉ, ΠΎ ΡΠΎΡΠΈΠ°Π»ΡΠ½ΡΡ Π½Π΅ΡΡΠ°Π±ΠΈΠ»ΡΠ½ΠΎΡΡΡΡ . ΠΠΎΡΠ΅Π½ΡΠΈΠ°Π»ΡΠ½ΡΠ΅ ΠΏΡΠΈΠΌΠ΅Π½Π΅Π½ΠΈΡ ΡΠ΅Ρ Π½ΠΎΠ»ΠΎΠ³ΠΈΠΈ: ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΡ ΡΠΏΠ°ΡΠ°ΡΠ΅Π»ΡΠ½ΡΡ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΉ, ΠΎΠΊΠ°Π·Π°Π½ΠΈΠ΅ ΠΏΠΎΠΌΠΎΡΠΈ ΠΈ ΡΠ²ΠΎΠ΅Π²ΡΠ΅ΠΌΠ΅Π½Π½Π°Ρ ΡΠ²Π°ΠΊΡΠ°ΡΠΈΡ Π½Π°ΡΠ΅Π»Π΅Π½ΠΈΡ ΠΏΡΠΈ Π§Π‘. ΠΡΠΏΠΎΠ»ΡΠ·ΡΠ΅ΠΌΡΠ΅ ΠΌΠΎΠ΄Π΅Π»ΠΈ Π² ΠΎΡΠ½ΠΎΠ²Π½ΠΎΠΌ ΠΏΠΎΠΊΠ° ΠΏΠ»ΠΎΡ ΠΎ ΠΈΠ½ΡΠ΅ΡΠΏΡΠ΅ΡΠΈΡΡΡΡΡΡ β ΡΡΠΎ ΡΠ°Π·Π»ΠΈΡΠ½ΡΠ΅ LSTM ΠΈ ΡΠ²Π΅ΡΡΠΎΡΠ½ΡΠ΅ ΡΠ΅ΡΠΈ. ΠΡΠ»Π° ΠΊΡΠ°ΡΠΊΠ°Ρ ΡΠ΅ΠΌΠ°ΡΠΊΠ°, ΡΡΠΎ ΠΠΠ Π»ΠΎΠ±Π±ΠΈΡΡΠ΅Ρ Π½ΠΎΠ²ΡΠΉ Π·Π°ΠΊΠΎΠ½, ΠΊΠΎΡΠΎΡΡΠΉ ΠΎΠ±ΡΠΆΠ΅Ρ Π΅Π²ΡΠΎΠΏΠ΅ΠΉΡΠΊΠΈΠΉ Π±ΠΈΠ·Π½Π΅Ρ Π΄Π΅Π»ΠΈΡΡΡΡ ΠΎΠ±Π΅Π·Π»ΠΈΡΠ΅Π½Π½ΡΠΌΠΈ Π΄Π°Π½Π½ΡΠΌΠΈ, Π½Π΅ΠΎΠ±Ρ ΠΎΠ΄ΠΈΠΌΡΠΌΠΈ Π΄Π»Ρ Π»ΡΠ±ΡΡ ΠΈΡΡΠ»Π΅Π΄ΠΎΠ²Π°Π½ΠΈΠΉ.
βFrom System 1 to System 2 Deep Learningβ, Yoshua Bengio
Π Π»Π΅ΠΊΡΠΈΠΈ ΠΠΎΡΡΠ° ΠΠ΅Π½ΠΆΠΈΠΎ deep learning Π²ΡΡΡΠ΅ΡΠ°Π΅ΡΡΡ Ρ Π½Π΅ΠΉΡΠΎΠ½Π°ΡΠΊΠΎΠΉ Π½Π° ΡΡΠΎΠ²Π½Π΅ ΡΠ΅Π»Π΅ΠΏΠΎΠ»Π°Π³Π°Π½ΠΈΡ.
ΠΠ΅Π½Π΄ΠΆΠΈΠΎ Π²ΡΠ΄Π΅Π»ΡΠ΅Ρ Π΄Π²Π° ΠΎΡΠ½ΠΎΠ²Π½ΡΡ
ΡΠΈΠΏΠ° Π·Π°Π΄Π°Ρ ΠΏΠΎ ΠΌΠ΅ΡΠΎΠ΄ΠΎΠ»ΠΎΠ³ΠΈΠΈ Π½ΠΎΠ±Π΅Π»Π΅Π²ΡΠΊΠΎΠ³ΠΎ Π»Π°ΡΡΠ΅Π°ΡΠ° ΠΡΠ½ΠΈΡΠ»Π° ΠΠ°Π½Π΅ΠΌΠ°Π½Π° (ΠΊΠ½ΠΈΠ³Π° Β«
ΡΠΈΠΏ 1 β Π‘ΠΈΡΡΠ΅ΠΌΠ° 1, Π½Π΅ΠΎΡΠΎΠ·Π½Π°Π½Π½ΡΠ΅ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΌΡ Π΄Π΅Π»Π°Π΅ΠΌ Β«Π½Π° Π°Π²ΡΠΎΠΌΠ°ΡΠ΅Β» (Π΄ΡΠ΅Π²Π½ΠΈΠΉ ΠΌΠΎΠ·Π³): Π²ΠΎΠΆΠ΄Π΅Π½ΠΈΠ΅ ΠΌΠ°ΡΠΈΠ½Ρ ΠΏΠΎ Π·Π½Π°ΠΊΠΎΠΌΡΠΌ ΠΌΠ΅ΡΡΠ°ΠΌ, Ρ
ΠΎΠΆΠ΄Π΅Π½ΠΈΠ΅, ΡΠ°ΡΠΏΠΎΠ·Π½Π°Π²Π°Π½ΠΈΠ΅ Π»ΠΈΡ.
ΡΠΈΠΏ 2 β Π‘ΠΈΡΡΠ΅ΠΌΠ° 2, ΠΎΡΠΎΠ·Π½Π°Π½Π½ΡΠ΅ Π΄Π΅ΠΉΡΡΠ²ΠΈΡ (ΠΊΠΎΡΠ° Π³ΠΎΠ»ΠΎΠ²Π½ΠΎΠ³ΠΎ ΠΌΠΎΠ·Π³Π°), ΡΠ΅Π»Π΅ΠΏΠΎΠ»Π°Π³Π°Π½ΠΈΠ΅, Π°Π½Π°Π»ΠΈΠ·, ΠΌΡΡΠ»Π΅Π½ΠΈΠ΅, ΡΠΎΡΡΠ°Π²Π½ΡΠ΅ Π·Π°Π΄Π°ΡΠΈ.
ΠΠ ΠΏΠΎΠΊΠ° ΡΡΠΎ Π΄ΠΎΡΡΠΈΠ³Π°Π΅Ρ Π΄ΠΎΡΡΠ°ΡΠΎΡΠ½ΡΡ Π²ΡΡΠΎΡ Π»ΠΈΡΡ Π² Π·Π°Π΄Π°ΡΠ°Ρ ΠΏΠ΅ΡΠ²ΠΎΠ³ΠΎ ΡΠΈΠΏΠ° β ΡΠΎΠ³Π΄Π° ΠΊΠ°ΠΊ Π½Π°ΡΠ° Π·Π°Π΄Π°ΡΠ° ΠΏΡΠΈΠ²Π΅ΡΡΠΈ Π΅Π³ΠΎ ΠΊΠΎ Π²ΡΠΎΡΠΎΠΌΡ, Π½Π°ΡΡΠΈΠ² Π²ΡΠΏΠΎΠ»Π½ΡΡΡ ΠΌΡΠ»ΡΡΠΈΠ΄ΠΈΡΡΠΈΠΏΠ»ΠΈΠ½Π°ΡΠ½ΡΠ΅ ΠΎΠΏΠ΅ΡΠ°ΡΠΈΠΈ ΠΈ ΠΎΠΏΠ΅ΡΠΈΡΠΎΠ²Π°ΡΡ Π»ΠΎΠ³ΠΈΠΊΠΎΠΉ, Π²ΡΡΠΎΠΊΠΎΡΡΠΎΠ²Π½Π΅Π²ΡΠΌΠΈ ΠΊΠΎΠ³Π½ΠΈΡΠΈΠ²Π½ΡΠΌΠΈ Π½Π°Π²ΡΠΊΠ°ΠΌΠΈ.
ΠΠ»Ρ Π΄ΠΎΡΡΠΈΠΆΠ΅Π½ΠΈΡ ΡΡΠΎΠΉ ΡΠ΅Π»ΠΈ ΠΏΡΠ΅Π΄Π»Π°Π³Π°Π΅ΡΡΡ:
- Π² Π·Π°Π΄Π°ΡΠ°Ρ NLP ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ attention ΠΊΠ°ΠΊ ΠΊΠ»ΡΡΠ΅Π²ΠΎΠΉ ΠΌΠ΅Ρ Π°Π½ΠΈΠ·ΠΌ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΌΡΡΠ»Π΅Π½ΠΈΡ
- ΠΈΡΠΏΠΎΠ»ΡΠ·ΠΎΠ²Π°ΡΡ meta-learning ΠΈ representation learning Π΄Π»Ρ Π»ΡΡΡΠ΅Π³ΠΎ ΠΌΠΎΠ΄Π΅Π»ΠΈΡΠΎΠ²Π°Π½ΠΈΡ ΠΏΡΠΈΠ·Π½Π°ΠΊΠΎΠ², Π²Π»ΠΈΡΡΡΠΈΡ Π½Π° ΡΠΎΠ·Π½Π°Π½ΠΈΠ΅, ΠΈ ΠΈΡ Π»ΠΎΠΊΠ°Π»ΠΈΠ·Π°ΡΠΈΡ β ΠΈ Π½Π° ΠΈΡ ΠΎΡΠ½ΠΎΠ²Π΅ ΠΏΠ΅ΡΠ΅ΠΉΡΠΈ ΠΊ ΠΎΠΏΠ΅ΡΠΈΡΠΎΠ²Π°Π½ΠΈΡ Π±ΠΎΠ»Π΅Π΅ Π²ΡΡΠΎΠΊΠΎΡΡΠΎΠ²Π½Π΅Π²ΡΠΌΠΈ ΠΊΠΎΠ½ΡΠ΅ΠΏΡΠ°ΠΌΠΈ.
ΠΠΌΠ΅ΡΡΠΎ Π·Π°ΠΊΠ»ΡΡΠ΅Π½ΠΈΡ ΠΎΡΡΠ°Π²Π»ΡΠ΅ΠΌ Π·Π°ΠΏΠΈΡΡ invited talk: ΠΠ΅Π½ΠΆΠΈΠΎ β ΠΎΠ΄ΠΈΠ½ ΠΈΠ· ΠΌΠ½ΠΎΠ³ΠΈΡ
ΡΡΠ΅Π½ΡΡ
, ΠΊΠΎΡΠΎΡΡΠ΅ ΠΏΡΡΠ°ΡΡΡΡ ΡΠ°ΡΡΠΈΡΠΈΡΡ ΠΎΠ±Π»Π°ΡΡΡ ML Π·Π° ΠΏΡΠ΅Π΄Π΅Π»Ρ ΠΏΡΠΎΠ±Π»Π΅ΠΌ ΠΎΠΏΡΠΈΠΌΠΈΠ·Π°ΡΠΈΠΈ, SOTA ΠΈ Π½ΠΎΠ²ΡΡ
Π°ΡΡ
ΠΈΡΠ΅ΠΊΡΡΡ.
ΠΡΠΊΡΡΡΡΠΌ ΠΎΡΡΠ°Π΅ΡΡΡ Π²ΠΎΠΏΡΠΎΡ, Π½Π°ΡΠΊΠΎΠ»ΡΠΊΠΎ ΡΠΎΠ΅Π΄ΠΈΠ½Π΅Π½ΠΈΠ΅ ΠΏΡΠΎΠ±Π»Π΅ΠΌ ΡΠΎΠ·Π½Π°Π½ΠΈΡ, Π²Π»ΠΈΡΠ½ΠΈΡ ΡΠ·ΡΠΊΠ° Π½Π° ΠΌΡΡΠ»Π΅Π½ΠΈΠ΅, Π½Π΅ΠΉΡΠΎΠ±ΠΈΠΎΠ»ΠΎΠ³ΠΈΠΈ ΠΈ Π°Π»Π³ΠΎΡΠΈΡΠΌΠΎΠ² β ΡΡΠΎ ΡΠΎ, ΡΡΠΎ Π½Π°Ρ ΠΎΠΆΠΈΠ΄Π°Π΅Ρ Π² Π±ΡΠ΄ΡΡΠ΅ΠΌ ΠΈ ΠΏΠΎΠ·Π²ΠΎΠ»ΠΈΡ ΠΏΠ΅ΡΠ΅ΠΉΡΠΈ ΠΊ ΠΌΠ°ΡΠΈΠ½Π°ΠΌ, ΠΊΠΎΡΠΎΡΡΠ΅ Β«Π΄ΡΠΌΠ°ΡΡΒ» ΠΊΠ°ΠΊ Π»ΡΠ΄ΠΈ.
Π₯Π²Π°Π»Π°!
ΠΠ·Π²ΠΎΡ: Π²Π²Π².Ρ Π°Π±Ρ.ΡΠΎΠΌ