Próximos seminarios

• 13/12 14:30 hs: Dra. Ruben Spies - IMAL-CONICET (TBA)

SEMINARIOS ANTERIORES

Clasificación de eventos comportamentales de codornices japonesas

Lic. ROCÍO guadalupe FONSECA

4 de octubre - 14:30 hs

Tradicionalmente, el comportamiento se ha estudiado por medio de la observación directa a partir de videograbaciones a tiempo real, utilizando catálogos de conducta definida (etogramas) que describen las conductas que puede realizar el animal en un determinado contexto. En las últimas décadas han surgido nuevas formas de medición remota de comportamiento animal apuntando a aumentar la resolución temporal de la frecuencia de muestreo en estudios de larga duración y evitar posibles efectos subjetivos del observador en la recolección de los datos.

La determinación de eventos en señales derivadas de sensores de alta precisión es muy difícil de lograr por inspección de la señal misma.

En este marco, se han propuesto diferentes métodos de aprendizaje supervisado que usan señales provenientes de sensores como son los acelerómetros. Es importante tener en cuenta que para entrenar y validar dichos métodos se requieren bases de datos anotadas, es decir una serie de tiempo comportamental obtenido, por ejemplo, del análisis de videograbaciones, sincronizadas con los registros del sensor. En el caso de vertebrados pequeños con alta tasa metabólica, la necesaria sincronización entre señales presenta una dificultad metodológica debido a la alta resolución temporal implicada.

En esta charla realizaremos un recorrido por las diferentes instancias realizadas (y aún en proceso) para describir las conductas de codornices japonesas sin la necesidad de realizar una inspección de la videograbación.

Desde las profundidades a... Elementos finitos? Programación lineal mixta de enteros? Aprendizaje automático?

Lic. Iván Mandelman

18 de octubre - 14:30 hs

Para realizar una discretización de un espacio Ω, en el método de elementos finitos es común utilizar un algoritmo de triangulación, el cual a partir de una frontera, genera los triángulos (o elementos) que en conjunto aproximan Ω. ¿Cómo hacer para generar esta frontera utilizando datos de un archivo de batimetría (profundidad oceánica)?

En esta charla vamos a plantear distintos problemas que surgen al intentar contestar esta pregunta y algunas ideas (la mayoría malas) de posibles soluciones, discutiendo aplicaciones de programación lineal y aprendizaje automático (machine learning).

Some splitting methods from a nonsmooth optimizer's perspectivees

Dra. Claudia Sagastizábal

25 de octubre - 14:30 hs

For large-scale optimization, popular approaches such as the ADMM and the Progressive Hedging algorithm exploit separable structures by solving in parallel individual sub-problems which are then coordinated by performing a simple algebraic step (typically, a projection onto a linear subspace)

While parallelism is the strength of all Douglas-Rachford-like splitting methods, their weak points are the adjustment of certain proximal parameter and the lack of a fully implementable stopping test. These difficulties, which date back to Spingarn's method of partial inverses, stem from the very design of these approaches, which were created to find zeroes of operators.

We discuss how to endow some splitting methods with an optimization perspective that introduces knowledge about the objective function throughout the iterative process.

The resulting new family of methods à la bundle incorporates a projective step to coordinate parallel information while allowing the variation of the proximal parameters and the construction of a reliable stopping test.

A Bundle Progressive Hedging algorithm, derived from the general theory, illustrates the interest of the proposal

Credit to co-authors will be given during the talk

Regularized smoothing for solution mappings of convex problems, with applications to two-stage stochastic programming and some hierarchical problems

Dr. Mikhail Solodov

27 de octubre - 14:30 hs

Many modern optimization problems involve in the objective function solution mappings or optimal-value functions of other optimization problems. In most/many cases, those solution mappings and optimal-value functions are nonsmooth, and the optimal-value function is also possibly nonconvex (even if the defining data is smooth and convex). Moreover, stemming from solving optimization problems, those solution mappings and value-functions are usually not known explicitly, via any closed formulas.

We present an approach to regularize and approximate solution mappings of fully parametrized convex optimization problems that combines interior penalty (log-barrier) with Tikhonov regularization. Because the regularized solution mappings are single-valued and smooth under reasonable conditions, they can also be used to build a computationally practical smoothing for the associated optimal-value function and/or solution mapping.

Applications are presented to two-stage (possibly nonconvex) stochastic programming, and to a certain class of hierarchical decision problems that can be viewed as single-leader multi-follower games.

Transporte óptimo para mitigar la variabilidad en interfaces cerebro-computadora basadas en imaginería motora

Dra. Victoria Peterson - IMAL-CONICET

08 de noviembre - 14:30 hs

Las Interfaces Cerebro-Computadora (BCIs, por sus siglas en inglés) basadas en electroencefalografía (EEG) de superficie, transforman la actividad cerebral registrada en comandos de control o comunicación. Generalmente, los modelos de decodificación son aprendidos utilizando lo que se denomina "set de calibración". Si la distribución de los datos no vistos (a detectar) difieren de aquellos utilizados durante la calibración, la performance del algoritmo de decodificación puede resultar bastante pobre. Este fenómeno, consecuencia de la alta variabilidad y no estacionariedad de la señal de EEG, suele ser mitigado mediante técnicas de re-entrenamiento. En este seminario hablaremos sobre cómo atacar la variabilidad entre sesiones de BCIs utilizando transporte óptimo como técnica de adaptación de dominio. Mostraremos cómo el re-entrenamiento puede evitarse al transformar los datos de una nueva sesión tal que se "parezcan" a los de la sesión de calibración. Este trabajo fue Nominado a recibir el BCI award 2021, y fue publicado en IEEE TBE.