Noticias Destacadas
 Agenda del Departamento |
- Información (provisional) sobre grupos y horarios de las asignaturas impartidas por el Departamento de Matemáticas, para el curso 2023-2024.
- Propuestas de Trabajos de Fin de Grado para el curso 2023-2024.
|
Canal @matematicasuamEnlace al canal del Departamento en youtube. |
|
PIM (Pequeño Instituto de Matemáticas)Con el objetivo de fomentar el interés por las matemáticas y dirigido a jóvenes entre 14 y 18 años, nace este proyecto de Instituto de Ciencias Matemáticas (ICMAT) en colaboración con nuestro Departamento, la Universidad Autónoma de Madrid y la Real Sociedad Matemática Española. El proyecto comienzó en el curso académico 2022-2023. Ampliar información en su página web. |
|
|
|
|
|
|
|
|
|
|
| Anual | Mensual | Semanal | Hoy | Buscar | Ir al mes específico | ||||
|
|
|||||||||
Machine learning in Madrid
Lunes, 14 de noviembre de 2022, 12-13h
Aula Naranja - ICMAT
Ponente: Tobias Wöhrer (TU Munich)
Título: Robustness of neural ODEs - a second order adjoint equation approach
Abstract: We consider augmented training of ODE based neural networks, such as ResNets, to increase robustness with respect to adversarial attacks. This is done by adding a first order sensitivity term to the loss function, derived from the corresponding robust optimal control problem. To reduce memory cost of the training process, we take an optimize then discretize approach and compute the gradients via solving the adjoint sensitivity equation, which is of second order due to the modified loss function. Based on this approach, we will discuss numerical simulations that provide a better intuition for the robustification process.
Enlace: la charla será retransmitida también por zoom, el enlace será enviado próximamente
Lunes, 14 de noviembre de 2022, 12-13h
Aula Naranja - ICMAT
Ponente: Tobias Wöhrer (TU Munich)
Título: Robustness of neural ODEs - a second order adjoint equation approach
Abstract: We consider augmented training of ODE based neural networks, such as ResNets, to increase robustness with respect to adversarial attacks. This is done by adding a first order sensitivity term to the loss function, derived from the corresponding robust optimal control problem. To reduce memory cost of the training process, we take an optimize then discretize approach and compute the gradients via solving the adjoint sensitivity equation, which is of second order due to the modified loss function. Based on this approach, we will discuss numerical simulations that provide a better intuition for the robustification process.
Enlace: la charla será retransmitida también por zoom, el enlace será enviado próximamente