"Transferencia de aprendizaje mediante  modelos generativos profundos semi-supervisados" será el título de la charla que brindará el Dr. Pavlos Protopapas (docente e investigador de la Universidad de Harvard) el próximo martes 19 de junio a las 19.00, en el aula 403 de la sede de Av. Paseo Colón 850.

Sobre la temática de la charla
Obtener datos etiquetados es frecuentemente una tarea costosa y que requiere mucho tiempo. En estos casos la transferencia de aprendizaje desde y hacia dominios relacionados podría mejorar notablemente los rendimiendos sin requerir el esfuerzo necesario para etiquetar los datos.

En este escenario, la transferencia de modelos y el aprendizaje multi-tarea son convenientes. En esta charla presentaré la técnica "Transferencia Variacional Profunda" (TVP) que se basa en la utilizacion de un autoencoder variacional que transfiere información entre dominios de conocimiento compartiendo un modelo Gaussiano mixto. TVP puede atacar la mayoría de los desafíos impuestos por la transferencia de aprendizaje: diferentes espacios de atributos, diferentes distribuciones de datos, diferentes espacios de salida y el desbalanceo de clases asi como también la presencia de dominios irrelevantes.

CV resumido del orador
Pavlos Protopapas recibió su doctorado en física teórica de la Universidad de Pensilvania. Mientras estuvo en Penn, se desempeñó como director asociado del National Scalable Cluster Project (NSCP), uno de los intentos iniciales de computación distribuida a gran escala en un modelo de grillas. Colaborador activo y mentor en la comunidad de investigación de astroestadística, Protopapas tiene un nombramiento de investigación en el Centro Harvard-Smithsonian de Astrofísica y también se desempeñó como científico principal / líder de proyecto para el Time Series Center, un proyecto lanzado por la Iniciativa de Harvard en Innovative Computing. Sus intereses de investigación se encuentran en los tránsitos planetarios, el sistema solar exterior, la variabilidad fotométrica, la micro-amplificación; en ciencias de la computación le interesan las grandes bases de datos y la minería de datos en astronomía, con énfasis en la extracción de características, detección de anomalías y búsquedas de similitud en series de tiempo. En IACS, enseña y asesora a estudiantes como profesor de ciencias computacionales. Junto con Efthimios Kaxiras, creó Applied Math 207, un curso básico de IACS en métodos de optimización estocástica popular entre los estudiantes de las disciplinas de ciencia social, ciencia e ingeniería.