Центр машинного навчання Джорджійського технологічного інституту (ML@GT) провів щорічну студентську конференцію ML@GT Student Conference. Захід об'єднав аспірантів та викладачів з різних лабораторій і підрозділів кампусу.
Подія мала три основні цілі: продемонструвати дослідження PhD-студентів центру, ознайомити їх із напрацюваннями суміжних лабораторій та стимулювати співпрацю всередині ML@GT.
Програма та тематика досліджень
Програма події включала 12 доповідей, розподілених за чотирма напрямами, а також стендову сесію з понад 20 постерами. Представлені роботи охоплювали широке коло тем — від вибірково ефективного прогнозування (sample-efficient prediction) та моделювання білків до інтерфейсів «мозок-комп'ютер», виявлення нападів судом і акустичного сприйняття.
Учасники заходу — студенти та викладачі — визначили найкращі доповіді та постери через голосування.
Переможці серед презентацій
- 1-ше місце: Ханью Чжоу (Hangyu Zhou, School of Computer Science) — робота «Learning Computational Structure for Sample-Efficient Prediction» (керівник: Стів Массманн).
- 2-ге місце: Дарін Цуй (Darin Tsui, School of Electrical and Computer Engineering) — проєкт «Protein Circuit Tracing via Cross-layer Transcoders» (керівник: Аміралі Агхазаде).
- 3-тє місце: Пранав Деєві (Pranav Deevi, School of Biomedical Engineering) — дослідження «FETTUCCINE: Fast and efficient brain-to-text decoding on mobile devices» (керівник: Четан Пандарінатх).
Відзначені постери
- 1-ше місце: Хьонджу Кім (Hyunju Kim, School of Computational Science and Engineering) — «Spatiotemporal Hyperedges for EEG Seizure Detection and Prediction» (керівник: Набіль Імам).
- 2-ге місце: Бенджамін Бернс (Benjamin Burns, School of Electrical and Computer Engineering) — «When, why, and how do diffusion posterior samplers fail? A finite-sample lens» (керівник: Сара Фрідовіч-Кейл).
- 3-тє місце: Тяньвей Цзян (Tianwei Jiang, School of Electrical and Computer Engineering) — «Intelligent Acoustic Perception: From Sound Recognition to Multimodal Spatial Understanding» (керівник: Девід Андерсон).
Представлені проєкти охопили як фундаментальні дослідження вибіркової ефективності та генеративних моделей, так і прикладні сценарії у сферах біології, охорони здоров'я, нейронаук та обробки звуку.
Реклама · cv-finder.com
Покажіть AI-стек у резюме без зайвого шуму
AI-асистент CV-Finder допоможе описати LLM/ML-проєкти через результати.
Що це означає для розробників
Фахівцям у сфері машинного навчання новина демонструє актуальні академічні напрямки розробок: оптимізацію роботи моделей на мобільних пристроях (декодування мозкових сигналів), дослідження обмежень дифузійних моделей та просторове сприйняття звуку. Представлені підходи вказують на зростання уваги до вибіркової ефективності алгоритмів та мультимодальних систем.
Ключові факти
-
Конференція ML@GT Student Conference об'єднала 12 доповідей за чотирма напрямами та понад 20 постерних доповідей.
-
Перше місце серед усних презентацій посів проєкт Ханью Чжоу щодо вивчення обчислювальної структури для вибірково ефективного прогнозування.
-
Серед постерних презентацій перемогло дослідження Хьонджу Кім про використання спатіотемпоральних гіперребер для детекції нападів за ЕЕГ.
-
Теми досліджень охоплювали мобільне декодування brain-to-text, аналіз збоїв дифузійних семплерів та мультимодальне акустичне сприйняття.
Додайте Voydevich.com у бажані джерела Google, щоб частіше бачити наші новини в пошуку.
Джерело
Georgia Institute of Technology
Georgia Tech Machine Learning Center Celebrates Student Research at Annual ML@GT Student Conference | Newswise30 жовтня 2026
Реклама · cv-finder.com
Покажіть AI-стек у резюме без зайвого шуму
AI-асистент CV-Finder допоможе описати LLM/ML-проєкти через результати.
Попередні статті
ML@GT відзначив студентські дослідження в машинному навчанні на щорічній конференції
Центр машинного навчання Georgia Tech провів щорічну студентську конференцію, де визначив найкращі наукові доповіді та постери у сфері ML.
AI SaaS у 2026 році: тестування Agentforce, Copilot Studio, Fin та ринкові моделі оплати
Огляд корпоративних AI SaaS-платформ у США демонструє зміну фокусу від генеративних порадників до автономних агентів із тарифікацією за дії та результати.
Randstad: банки та медичні компанії платять розробникам більше за бігтех
Нетехнологічні роботодавці готові переплачувати розробникам до 17% на тлі п'ятикратного зростання попиту на ШІ-навички та скорочень у техносекторі.
Наступні статті
LLM у робототехніці вразливі до бекдорів: дослідники створили атаку MuTRAP і захист PROTEA
Вчені з Бінгемтонського університету показали, як приховані тригери в LLM змушують роботів виконувати небезпечні дії, та запропонували контекстний механізм захисту PROTEA.