- AI, ML, BigData, #2.3, Инженерный зал
Доцент Центра Сколтеха по научным и инженерным вычислительным технологиям для задач с большими массивами данных, канд. физ.-мат. наук. В 2006 году получил степень магистра прикладной физики и математики МФТИ. После защиты диссертации в 2008 году работал в ИППИ РАН руководителем лаборатории интеллектуального анализа данных и предсказательного моделирования. С 2007 года принимал участие в ряде проектов с такими компаниями, как Airbus, SAFT, IHI, Sahara Force India Formula 1 team, и др. В настоящее время Евгений руководит научной группой Advanced Data Analytics in Science and Engineering в Сколтехе и специализируется на приложениях в области индустриальной аналитики и разработке соответствующих методов машинного обучения.
В 2017 г. Евгений Бурнаев стал лауреатом премии Правительства Москвы молодым ученым в номинации «Передача, хранение, обработка, защита информации» за научный вклад и руководство проектом «Разработка методов предсказательной аналитики в задачах обработки индустриальных, биомедицинских и экономических данных».
В работе предлагается новая латентная модель естественных изображений, которую можно обучать на больших выборках изображений высокого разрешения. Процесс обучения обеспечивает получение латентного представления для каждого изображения из обучающей выборки, а также позволяет построить глубокую сверточную сеть, которая отображает латентное представление в пространство изображений. После обучения новая модель может быть использована как универсальное априорное распределение в пространстве изображений для решения ряда задач восстановления изображений, таких как заполнение пропущенных частей изображения, повышение разрешения, и раскраска.
Для моделирования естественных изображений высокого разрешения наш подход использует латентные пространства очень высокой размерности (на один-два порядка выше, чем предыдущие модели). Для работы с такой высокой размерностью мы используем латентные пространства со специальной структурой многообразий (сверточные многообразия), параметризованные сверточной сетью определенной архитектуры.
В экспериментах мы сравниваем изученные латентные модели с латентными моделями на основе автоэнкодеров, различными вариантами генеративных состязательных сетей и с сильной базовой системой с использованием более простой параметризации латентного пространства. Наша модель превосходит конкурирующие подходы при решении целого ряда задач восстановления.
Специалисты в области применения и разработки методов машинного обучения
