RIML Lab
📢 کاربرد هوش مصنوعی در تصویربرداری پزشکی 📚 موضوع: پالایش داده های بالینی تصویربرداری پزشکی برای تحقیق و توسعه هوش مصنوعی 👤 سخنران: دکتر منصور فاتحی رادیولوژیست و فوق تخصص انفورماتیک تصویربرداری مسئول بیوبانک نقشه برداری مغز ایران 📅 زمان: چهارشنبه…
با توجه به غیرحضوری شدن دانشگاه در روز چهارشنبه، این برنامه به زمان دیگری موکول شد.
Forwarded from انجمن علمی دانشکده مهندسی کامپیوتر
🔵 معاونت پژوهشی دانشکده مهندسی کامپیوتر به مناسبت هفتهی پژوهش سخنرانیهای علمی زیر را امروز برگزار میکند:
🔹مهندسی ثابتافزار و برخی از حوزههای فعالیت در آن
ساعت ۱۳ - ۱۳:۳۰
دکتر علیرضا اجلالی
🔹تطبیق نوری رشتههای DNA توسط پردازنده نوری
ساعت ۱۳:۳۰ - ۱۴
دکتر سمیه کوهی
🔹چالشهای حفظ حریم خصوصی در اینترنت اشیاء
ساعت ۱۴ - ۱۴:۳۰
دکتر مرتضی امینی
🔹حاکمیت بهینه برای خوشحالی جمعی در بازارهای شبکهای
ساعت ۱۴:۳۰ - ۱۵
دکتر محمدامین فضلی
🔹سوی تعمیمپذیری خارج از توزیع
ساعت ۱۵ - ۱۵:۳۰
دکتر مهدیه سلیمانی
🔹تحقیقات پردازش زبانهای ایرانی و علومانسانی محاسباتی به همراهی گزارشهایی از تجربه آموزش در حین پژوهش و حل مسئله
ساعت ۱۵:۳ - ۱۶
دکتر احسانالدین عسگری
🔹تشخیص ناهنجاری نزدیک به توزیع در تصاویر
ساعت ۱۶ - ۱۶:۳۰
دکتر محمدحسین رهبان
تاریخ : چهارشنبه، ۳۰ آذر
لینک برگزاری: https://vc.sharif.edu/ch/ce-talks
چکیدهی ارائهها و اطلاعات بیشتر در فایل پیوست
〰️〰️〰️〰️〰️〰️〰️
🆔 @SSC_Public
🔹مهندسی ثابتافزار و برخی از حوزههای فعالیت در آن
ساعت ۱۳ - ۱۳:۳۰
دکتر علیرضا اجلالی
🔹تطبیق نوری رشتههای DNA توسط پردازنده نوری
ساعت ۱۳:۳۰ - ۱۴
دکتر سمیه کوهی
🔹چالشهای حفظ حریم خصوصی در اینترنت اشیاء
ساعت ۱۴ - ۱۴:۳۰
دکتر مرتضی امینی
🔹حاکمیت بهینه برای خوشحالی جمعی در بازارهای شبکهای
ساعت ۱۴:۳۰ - ۱۵
دکتر محمدامین فضلی
🔹سوی تعمیمپذیری خارج از توزیع
ساعت ۱۵ - ۱۵:۳۰
دکتر مهدیه سلیمانی
🔹تحقیقات پردازش زبانهای ایرانی و علومانسانی محاسباتی به همراهی گزارشهایی از تجربه آموزش در حین پژوهش و حل مسئله
ساعت ۱۵:۳ - ۱۶
دکتر احسانالدین عسگری
🔹تشخیص ناهنجاری نزدیک به توزیع در تصاویر
ساعت ۱۶ - ۱۶:۳۰
دکتر محمدحسین رهبان
تاریخ : چهارشنبه، ۳۰ آذر
لینک برگزاری: https://vc.sharif.edu/ch/ce-talks
چکیدهی ارائهها و اطلاعات بیشتر در فایل پیوست
〰️〰️〰️〰️〰️〰️〰️
🆔 @SSC_Public
📢 تحولات 10 سال اخیر بینایی ماشین در صنعت
👤 سخنران: دکتر حمیدرضا واعظی
📅 زمان: پنج شنبه 20 بهمن، ساعت 9 تا 11
🔗 آدرس: https://vc.sharif.edu/ch/rohban
✅ حضور برای همه علاقمندان، آزاد است.
🆔 @RIMLLab
👤 سخنران: دکتر حمیدرضا واعظی
📅 زمان: پنج شنبه 20 بهمن، ساعت 9 تا 11
🔗 آدرس: https://vc.sharif.edu/ch/rohban
✅ حضور برای همه علاقمندان، آزاد است.
🆔 @RIMLLab
آزمایشگاه یادگیری ماشین مقاوم و تفسیرپذیر برای تکمیل یکی از پروژه های خود از دانشجویان کارشناسی دانشگاه شریف که علاقه مند و واجد شرایط لازم هستند، دعوت به همکاری می نماید.
اطلاعات بیشتر و نیازمندی های مورد نظر این پروژه به شرح زیر هستند:
در این پروژه به دنبال بررسی مقاومت مدلهای مختلف، به طور خاص نسبت به حملات L0 و مقایسه چند رویکرد مختلف برای آموزش خصمانه مناسب این حملات از نظر دقت نهایی، زمان و تعمیم پذیری نسبت به سایر حملات هستیم.
زمان تخمینی برای این پروژه ۸ ماه است که بسته به عملکرد تیم و روند آزمایشها و نتایج ممکن است تغییر کند.
انتظار میرود دانشجوی همکار توانایی مرور و بررسی کارهای اخیر مرتبط و ادبیات موضوع را داشته باشد و بتواند به آنها مسلط بشود.آزمایشهای لازم را با کمک نسخه فعلی کدهای موجود اجرا کند و همچنین پیاده سازیهای لازم و تکمیلی را انجام بدهد.همچنین نتایج به صورت استاندارد و قابل اطمینان جمع بندی و گزارش شوند.
پیشنیازهای ضروری عبارتند از:
تسلط به مباحث یادگیری عمیق به صورت نظری و عملی (زبان برنامه نویسی python)
آشنایی و علاقه به فعالیت پژوهشی (آشنایی به حوزه robustness و سابقه پژوهشی کمک کننده و امتیاز است.)
برای آشنایی بیشتر با فضای کلی پروژه مقالات زیر معرفی میشوند:
Sparse-RS: a Versatile Framework for Query-Efficient Sparse Black-Box Adversarial Attacks
Sparse and Imperceivable Adversarial Attacks
در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا دو مقاله معرفی شده را به صورت کامل مطالعه کنید و به ایمیل z.golgooni@gmail.com پیام بدهید.
اطلاعات بیشتر و نیازمندی های مورد نظر این پروژه به شرح زیر هستند:
در این پروژه به دنبال بررسی مقاومت مدلهای مختلف، به طور خاص نسبت به حملات L0 و مقایسه چند رویکرد مختلف برای آموزش خصمانه مناسب این حملات از نظر دقت نهایی، زمان و تعمیم پذیری نسبت به سایر حملات هستیم.
زمان تخمینی برای این پروژه ۸ ماه است که بسته به عملکرد تیم و روند آزمایشها و نتایج ممکن است تغییر کند.
انتظار میرود دانشجوی همکار توانایی مرور و بررسی کارهای اخیر مرتبط و ادبیات موضوع را داشته باشد و بتواند به آنها مسلط بشود.آزمایشهای لازم را با کمک نسخه فعلی کدهای موجود اجرا کند و همچنین پیاده سازیهای لازم و تکمیلی را انجام بدهد.همچنین نتایج به صورت استاندارد و قابل اطمینان جمع بندی و گزارش شوند.
پیشنیازهای ضروری عبارتند از:
تسلط به مباحث یادگیری عمیق به صورت نظری و عملی (زبان برنامه نویسی python)
آشنایی و علاقه به فعالیت پژوهشی (آشنایی به حوزه robustness و سابقه پژوهشی کمک کننده و امتیاز است.)
برای آشنایی بیشتر با فضای کلی پروژه مقالات زیر معرفی میشوند:
Sparse-RS: a Versatile Framework for Query-Efficient Sparse Black-Box Adversarial Attacks
Sparse and Imperceivable Adversarial Attacks
در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا دو مقاله معرفی شده را به صورت کامل مطالعه کنید و به ایمیل z.golgooni@gmail.com پیام بدهید.
آزمایشگاه یادگیری ماشین مقاوم و تفسیر پذیر برای تکمیل یکی از پروژههای خود از دانشجویان کارشناسی دانشگاه شریف که علاقه مند و واجد شرایط لازم هستند، دعوت به همکاری مینماید.
اطلاعات بیشتر و نیازمندیهای مورد نظر این پروژه به شرح زیر هستند:
در سالهای اخیر دانشگاه استنفورد، مدل سازی مبتنی بر امتیاز (score based) از طریق معادلات دیفرانسیل تصادفی را توسط Yang Song پیشنهاد کرده است. در این راستا ما در این پروژه قصد داریم روی افزایش سرعت نمونه برداری و سریعتر اجرا شدن آن کار کنیم. همچنین در صورت امکان و با احتمال پایینتر به بهبود کیفیت نمونه برداری و بررسی بر روی هندسه منیفلد (نظیر مدل های پروتئین یا داده های رباتیک) نیز خواهیم پرداخت.
زمان تخمینی برای این پروژه ۱۲ ماه است که بسته به عملکرد تیم و روند آزمایشها و نتایج ممکن است تغییر کند.
انتظار می رود دانشجوی همکار بخشهایی از برنامه نویسی پروژه به زبان پایتون و پیاده سازی کد الگوریتم ها را به خوبی انجام دهد و به عنوان یکی از اعضا در انجام پروژه همفکری مفید داشته باشد.
پیش نیازهای ضروری عبارتند از:
جبر خطی
آمار و احتمال
آشنایی با مفاهیم یادگیری ماشین و یادگیری عمیق
برنامه نویسی python
برای آشنایی بیشتر با فضای کلی پروژه دو مقاله زیر معرفی میشوند:
1)Score based generative modeling through stochastic differential equations
2)An efficient SDE solver for score-based diffusion models
3)Consistency models
در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا مقالات معرفی شده را به صورت کامل مطالعه کنید و به ایمیل seyedreza.shiyade@gmail.com پیام بدهید.
اطلاعات بیشتر و نیازمندیهای مورد نظر این پروژه به شرح زیر هستند:
در سالهای اخیر دانشگاه استنفورد، مدل سازی مبتنی بر امتیاز (score based) از طریق معادلات دیفرانسیل تصادفی را توسط Yang Song پیشنهاد کرده است. در این راستا ما در این پروژه قصد داریم روی افزایش سرعت نمونه برداری و سریعتر اجرا شدن آن کار کنیم. همچنین در صورت امکان و با احتمال پایینتر به بهبود کیفیت نمونه برداری و بررسی بر روی هندسه منیفلد (نظیر مدل های پروتئین یا داده های رباتیک) نیز خواهیم پرداخت.
زمان تخمینی برای این پروژه ۱۲ ماه است که بسته به عملکرد تیم و روند آزمایشها و نتایج ممکن است تغییر کند.
انتظار می رود دانشجوی همکار بخشهایی از برنامه نویسی پروژه به زبان پایتون و پیاده سازی کد الگوریتم ها را به خوبی انجام دهد و به عنوان یکی از اعضا در انجام پروژه همفکری مفید داشته باشد.
پیش نیازهای ضروری عبارتند از:
جبر خطی
آمار و احتمال
آشنایی با مفاهیم یادگیری ماشین و یادگیری عمیق
برنامه نویسی python
برای آشنایی بیشتر با فضای کلی پروژه دو مقاله زیر معرفی میشوند:
1)Score based generative modeling through stochastic differential equations
2)An efficient SDE solver for score-based diffusion models
3)Consistency models
در صورتی که شرایط ذکر شده را دارید و تمایل دارید به تیم ما برای تکمیل این پروژه اضافه شوید، لطفا مقالات معرفی شده را به صورت کامل مطالعه کنید و به ایمیل seyedreza.shiyade@gmail.com پیام بدهید.
Visual Compositional Generation Research Application
This is a shared research work between Dr. Rohban (RIML Lab) and Dr. Soleymani (MLL) from Sharif University of Technology on Visual Compositional Generation in Diffusion-based Text-to-image Models with a goal of submitting a survey on the related problems in a 3-month milestone.
Project Denoscription:
Large-scale diffusion-based models have achieved state-of-the-art results on text-to-image (T2I) synthesis tasks. Despite their significant ability of generating high quality and prompt-aligned images, these models are exposed to a number of major compositional-related drawbacks such as object missing and improper attribute binding.
Hence, we aim to study and categorize the compositional-related failure modes and the corresponding methods to overcome the problems.
For more information you can read the following papers.
- T2I-CompBench: A Comprehensive Benchmark for Open-world Compositional Text-to-image Generation
- Attend-and-Excite: Attention-Based Semantic Guidance for Text-to-Image Diffusion Models
- Training-Free Structured Diffusion Guidance for Compositional Text-to-Image Synthesis
The Musts:
- Being familiar with Linear Algebra fundamentals is necessary.
- Being familiar with Statistics and Probability fundamentals is necessary.
- Being familiar with Machine Learning and Deep Learning fundamentals is necessary.
- Being familiar with Transformers (Attention Mechanism) and Diffusion Models is recommended (Note that there will be some short training sessions on the mentioned topics during the project).
- Dedicating considerable time to the project is necessary.
Process:
- Deadline of submitting the application: 10/24/2023 - 23:59 (Tehran Time)
- First wave of rejection/acceptance: 10/25/2023 - 23:59 (Tehran Time)
- Short Interviews: 10/26/2023 - 23:59 (Tehran Time)
- Final wave of rejection/acceptance: 10/27/2023 - 23:59 (Tehran Time)
Please fill this form till 10/24/2023 - 23:59 (Tehran Time). Note that the deadlines are somehow harsh and it's important to dedicate as much time as possible.
https://docs.google.com/forms/d/e/1FAIpQLSfRSteyD6y0LUF2RI4GiMa3Bv_N8w_EI5OTSt3F0j1teAMHSA/viewform?usp=sf_link
We would be happy to answer any questions you may have through arashmarioriyad@gmail.com.
@rimllab
#research_application
This is a shared research work between Dr. Rohban (RIML Lab) and Dr. Soleymani (MLL) from Sharif University of Technology on Visual Compositional Generation in Diffusion-based Text-to-image Models with a goal of submitting a survey on the related problems in a 3-month milestone.
Project Denoscription:
Large-scale diffusion-based models have achieved state-of-the-art results on text-to-image (T2I) synthesis tasks. Despite their significant ability of generating high quality and prompt-aligned images, these models are exposed to a number of major compositional-related drawbacks such as object missing and improper attribute binding.
Hence, we aim to study and categorize the compositional-related failure modes and the corresponding methods to overcome the problems.
For more information you can read the following papers.
- T2I-CompBench: A Comprehensive Benchmark for Open-world Compositional Text-to-image Generation
- Attend-and-Excite: Attention-Based Semantic Guidance for Text-to-Image Diffusion Models
- Training-Free Structured Diffusion Guidance for Compositional Text-to-Image Synthesis
The Musts:
- Being familiar with Linear Algebra fundamentals is necessary.
- Being familiar with Statistics and Probability fundamentals is necessary.
- Being familiar with Machine Learning and Deep Learning fundamentals is necessary.
- Being familiar with Transformers (Attention Mechanism) and Diffusion Models is recommended (Note that there will be some short training sessions on the mentioned topics during the project).
- Dedicating considerable time to the project is necessary.
Process:
- Deadline of submitting the application: 10/24/2023 - 23:59 (Tehran Time)
- First wave of rejection/acceptance: 10/25/2023 - 23:59 (Tehran Time)
- Short Interviews: 10/26/2023 - 23:59 (Tehran Time)
- Final wave of rejection/acceptance: 10/27/2023 - 23:59 (Tehran Time)
Please fill this form till 10/24/2023 - 23:59 (Tehran Time). Note that the deadlines are somehow harsh and it's important to dedicate as much time as possible.
https://docs.google.com/forms/d/e/1FAIpQLSfRSteyD6y0LUF2RI4GiMa3Bv_N8w_EI5OTSt3F0j1teAMHSA/viewform?usp=sf_link
We would be happy to answer any questions you may have through arashmarioriyad@gmail.com.
@rimllab
#research_application
Unsupervised Anomaly Detection with Generative Models Research Application
This is a 6-month research project in the group of Dr. Rohban (RIML Lab) from the Sharif University of Technology on Improving Density Estimation of Generative Models for Unsupervised Anomaly Detection.
Project Denoscription:
Thanks to the tractability of their likelihood, several deep generative models show promise for seemingly straightforward but important applications like anomaly detection, uncertainty estimation, and active learning. However, the likelihood values empirically attributed to anomalies conflict with the expectations these proposed applications suggest. In this project, we aim to take a closer look at the behavior of distribution densities to better understand the problem, provide solutions for robust training of generative models from the lens of reliable anomaly detection, and investigate subsequent effects of efforts to overcome this challenge on generation properties of generative models.
For more information, you can read the following papers.
- Do Deep Generative Models Know What They Don't Know?
- Diagnosing and Fixing Manifold Overfitting in Deep Generative Models
- Autoencoding Under Normalization Constraints
The Musts:
- Being familiar with Statistics and Probability fundamentals is necessary.
- Being familiar with Machine Learning and Deep Learning fundamentals and experience with PyTorch is necessary.
- Being familiar with Generative Models especially Energy-Based models, Normalizing Flows, and Diffusion models is recommended (Note that there will be some short training sessions on the mentioned topics during the project).
- Since this is a relatively time-intensive project, dedicating considerable time and consistency to the project is necessary.
We would be happy to answer any questions you may have through gsepehr98@gmail.com or @sepiosky telegram ID.
This is a 6-month research project in the group of Dr. Rohban (RIML Lab) from the Sharif University of Technology on Improving Density Estimation of Generative Models for Unsupervised Anomaly Detection.
Project Denoscription:
Thanks to the tractability of their likelihood, several deep generative models show promise for seemingly straightforward but important applications like anomaly detection, uncertainty estimation, and active learning. However, the likelihood values empirically attributed to anomalies conflict with the expectations these proposed applications suggest. In this project, we aim to take a closer look at the behavior of distribution densities to better understand the problem, provide solutions for robust training of generative models from the lens of reliable anomaly detection, and investigate subsequent effects of efforts to overcome this challenge on generation properties of generative models.
For more information, you can read the following papers.
- Do Deep Generative Models Know What They Don't Know?
- Diagnosing and Fixing Manifold Overfitting in Deep Generative Models
- Autoencoding Under Normalization Constraints
The Musts:
- Being familiar with Statistics and Probability fundamentals is necessary.
- Being familiar with Machine Learning and Deep Learning fundamentals and experience with PyTorch is necessary.
- Being familiar with Generative Models especially Energy-Based models, Normalizing Flows, and Diffusion models is recommended (Note that there will be some short training sessions on the mentioned topics during the project).
- Since this is a relatively time-intensive project, dedicating considerable time and consistency to the project is necessary.
We would be happy to answer any questions you may have through gsepehr98@gmail.com or @sepiosky telegram ID.
سلام
امروز ساعت ۱۴:۳۰ جلسهی ژورنال کلاب با ارائهی آقای سفید را خواهیم داشت.
Date: 1402/08/17
Speaker: Amin Sefid
Title: Molecular Property Prediction
Abstract: Drug discovery is an expensive, complicated, and time-consuming process with a high possibility of failure.
One part of this complicated process is to determine the properties of drug-like molecules, which conducted by expensive experimental analysis or time-consuming accurate calculations.
With advances in AI in many cases, lots of efforts have been made in the field of property prediction to reduce time and costs.
To this end, we want to explore the challenges and opportunities of this field.
Meeting Link: https://vc.sharif.edu/rohban
#journal_club
امروز ساعت ۱۴:۳۰ جلسهی ژورنال کلاب با ارائهی آقای سفید را خواهیم داشت.
Date: 1402/08/17
Speaker: Amin Sefid
Title: Molecular Property Prediction
Abstract: Drug discovery is an expensive, complicated, and time-consuming process with a high possibility of failure.
One part of this complicated process is to determine the properties of drug-like molecules, which conducted by expensive experimental analysis or time-consuming accurate calculations.
With advances in AI in many cases, lots of efforts have been made in the field of property prediction to reduce time and costs.
To this end, we want to explore the challenges and opportunities of this field.
Meeting Link: https://vc.sharif.edu/rohban
#journal_club
سلام
چهارشنبه ساعت ۱۴:۳۰ جلسهی ژورنال کلاب با ارائهی آقای توکلی را خواهیم داشت.
Date: 1402/08/23
Speaker: Seyed Reza Tavakoli
Title: آشنایی با مفاهیم ریاضی مالی
Abstract:
توضیح مدل های مالی
black scholes, Heston
و قیمت گذاری اختیار معامله و نوسانات بازار در یک مقاله از دیدگاه ریاضی
و دسته بندی انواع حل PDE
Meeting Link: https://vc.sharif.edu/rohban
#journal_club
چهارشنبه ساعت ۱۴:۳۰ جلسهی ژورنال کلاب با ارائهی آقای توکلی را خواهیم داشت.
Date: 1402/08/23
Speaker: Seyed Reza Tavakoli
Title: آشنایی با مفاهیم ریاضی مالی
Abstract:
توضیح مدل های مالی
black scholes, Heston
و قیمت گذاری اختیار معامله و نوسانات بازار در یک مقاله از دیدگاه ریاضی
و دسته بندی انواع حل PDE
Meeting Link: https://vc.sharif.edu/rohban
#journal_club