Учёные Центра представили исследования и выступили с докладами на ведущей международной конференции по искусственному интеллекту AAAI (A*), которая проходила в январе этого года в Сингапуре.
В работе «Efficient Contextual Bandit Learning via Reward-Space Sampling and Online Optimization» команда предложила новый метод обучения контекстных многоруких бандитов. Подход напрямую семплирует в пространстве наград и обновляет модель онлайн-оптимизацией, что позволяет быстрее выходить на почти оптимальную награду, обходиться без сложной параметрической оценки и снижать вычислительные затраты.
В докладе «BREPS: Bounding-Box Robustness Evaluation of Promptable Segmentation» представители центра рассказали о методе синтеза боксов разметки, использование которых позволяет минимизировать или максимизировать ошибку сегментации в зависимости от критерия. Также в исследовании проведён сравнительный анализ современных моделей на 10 наборах данных, содержащих как повседневные сцены, так и медицинские изображения.
В статье «T-LoRA: Single Image Diffusion Model Customization Without Overfitting» речь идет о легковесном методе, который позволяет дообучать диффузионную модель по одному изображению без переобучения, что актуально, например, для задач персонализированной генерации картинок.
Список всех статей и докладов AAAI-26 с участием сотрудников Центра И И МГУ:
В работе «Efficient Contextual Bandit Learning via Reward-Space Sampling and Online Optimization» команда предложила новый метод обучения контекстных многоруких бандитов. Подход напрямую семплирует в пространстве наград и обновляет модель онлайн-оптимизацией, что позволяет быстрее выходить на почти оптимальную награду, обходиться без сложной параметрической оценки и снижать вычислительные затраты.
В докладе «BREPS: Bounding-Box Robustness Evaluation of Promptable Segmentation» представители центра рассказали о методе синтеза боксов разметки, использование которых позволяет минимизировать или максимизировать ошибку сегментации в зависимости от критерия. Также в исследовании проведён сравнительный анализ современных моделей на 10 наборах данных, содержащих как повседневные сцены, так и медицинские изображения.
В статье «T-LoRA: Single Image Diffusion Model Customization Without Overfitting» речь идет о легковесном методе, который позволяет дообучать диффузионную модель по одному изображению без переобучения, что актуально, например, для задач персонализированной генерации картинок.
Список всех статей и докладов AAAI-26 с участием сотрудников Центра И И МГУ:
- «Efficient Contextual Bandit Learning via Reward-Space Sampling and Online Optimization»
- «Realistic Environment Simulation of Population and Natural Disasters with LLM-Driven Agents»
- «Object-Centric Latent Action Learning»
- «BREPS: Bounding-Box Robustness Evaluation of Promptable Segmentation»
- «T-LoRA: Single Image Diffusion Model Customization Without Overfitting»