Tin nghiên cứu

Details
Category: Tin nghiên cứu
Hits: 3345

Seminar tháng 08-2022:

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 08/2022 với báo cáo sau: 

  • Tên bài báo cáo: Phương pháp Suy luận Thống kê cho Phân tích ROC (Statistical Inference for ROC Analysis)
  • Báo cáo viên: TS. Tô Đức Khánh (Department of Statistical Sciences, University of Padova, Italy)
  • Thời gian: 9g00 thứ sáu 26/08/2022
  • Địa điểm: Phòng F12, Bộ môn Xác suất - Thống kê, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
  • Tóm tắt: Phân tích ROC (Receiver Operating Characteristic) được sử dụng phổ biến trong bài toán đánh giá sự chính xác của các dấu ấn sinh học hoặc xét nghiệm chuẩn đoán trong y sinh; hay các quy tắc phân loại (classifier) trong các bài toán phân loại hay xếp hạng. Được phát triển trong những năm đầu của thế chiến thứ 1, với mục tiêu ban đầu là đánh giá tính chính xác của tính hiệu radar, phân tích ROC được dùng cơ bản để đánh giá các quy tắc phân loại trong các bài toán phân loại hai nhóm (two-class setting). Tuy nhiên, độ phức tạp của các bài toán phân loại đang ngày một tăng lên, khi mà số nhóm cần phân loại là ba hoặc bốn nhóm, thậm chí nhiều hơn bốn nhóm. Mặt khác, độ phức tạp trong cấu trúc của dữ liệu cũng tăng lên, trong đó, các quan sát có thể không độc lập với nhau, hoặc các quy tắc phân loại có thể bị ảnh hưởng bởi các hiệp biến. Để sử dụng phân tích ROC trong nhiều trường hợp phức tạp của dữ liệu, các phương pháp suy luận thống kê cần được cải thiện hoặc làm mới. Bài thuyết trình này nhằm cung cấp một cái nhìn khái quát về phương pháp ROC, các phương pháp thống kê đã được nghiên cứu và phát triển  cho phân tích ROC, cũng như thảo luận về các bài toán mở vẫn cần được giải quyết.

Seminar tháng 07-2022:

 

Bộ môn Xác suất - Thống kê kính mời quý thầy cô, nghiên cứu sinh, học viên cao học và các sinh viên có quan tâm đến tham dự Seminar Xác suất - Thống kê tháng 07/2022 với báo cáo sau: 

  • Tên bài báo cáo: Adaptive variational Bayes: Optimality, computation and applications
  • Báo cáo viên: PGS. TS Lizhen Lin (Department of Applied and Computational Mathematics and Statistics, The University of Notre Dame)
  • Thời gian: 9g30 thứ năm 28/07/2022
  • Địa điểm: Phòng F207, Đại học Khoa học Tự nhiên, 227 Nguyễn Văn Cừ, Q. 5, TP. HCM
  • Tóm tắt: In this talk, we discuss adaptive  statistical inference based on variational Bayes. Although a number of studies have been conducted to analyze theoretical properties such as posterior contraction properties of variational posteriors, there is still a lack of general and computationally tractable variational Bayes methods that can achieve adaptivity and optimal contraction of the variational posterior. We propose a novel  and general variational Bayes framework, called adaptive variational Bayes, which can operate on a collection of models with varying dimensions and structures. The proposed framework combines variational posteriors over individual models with certain weights to obtain a variational posterior over the entire model. It turns out that this combined variational posterior minimizes the Kullback-Leibler divergence to the original posterior distribution. We show that the proposed variational posterior achieves optimal contraction rates adaptively under very general conditions and attains model selection consistency when the true model structure exists. We apply the general results obtained for the adaptive variational Bayes to a large class of statistical models  including deep learning models and derive some new and adaptive inference results. We consider applications of this adaptive variational bayes framework to various  numerical examples including examples on finite mixture modeling and deep neural network models.  

Details
Category: Tin nghiên cứu
Hits: 3521

Seminar Tháng 4/2023:

Talk 10: Multiscale Random Models of Deep Neural Networks

Báo cáo mời: Prof. Stéphane Mallat, Collège de France

Bio: Stéphane Mallat is an applied mathematician, Professor at the Collège de France on the chair of Data Sciences. He is a member of the French Academy of sciences, of the Academy of Technologies and a foreign member of the US National Academy of Engineering. He was a Professor at the Courant Institute of NYU in New York for 10 years, then at Ecole Polytechnique and Ecole Normale Supérieure in Paris. He also was the co-founder and CEO of a semiconductor start-up company. Stéphane Mallat received many prizes for his research in machine learning, signal processing and harmonic analysis. He developed the multiresolution wavelet theory and algorithms at the origin of the compression standard JPEG-2000, and sparse signal representations in dictionaries through matching pursuits. He currently works on mathematical models of deep neural networks, for data analysis and physics.

Thời gian: 15:00 đến 16:30, Thứ Hai, ngày 24/04/2023.

Địa điểm: Viện Nghiên cứu cao cấp về Toán (VIASM), Số 157 Chùa Láng, Đống Đa, Hà Nội.

Hình thức: Trực tiếp tại VIASM và trực tuyến

Đăng ký tham dự tại đây

Abstract: Deep neural networks have spectacular applications but remain mostly a mathematical mystery. An outstanding issue is to understand how they circumvent the curse of dimensionality to generate or classify data. Inspired by the renormalization group in physics, we explain how deep networks can separate phenomena which appear at different scales, and capture scale interactions. It provides high-dimensional model, which approximate the probability distribution of complex physical fields such as turbulences. Learning becomes similar to a compressed sensing problem, where low-dimensional discriminative structures are identified with random projections. Applications to image classification are shown.

Seminar Tháng 10/2022:

Talk 5: Reinforcement Learning Game Tree

Báo cáo mời: GS. Jeff Edmonds, York University, Canada

Bio: Professor Jeff Edmonds received his PhD in 1992 at the University of Toronto. His thesis proved lower bounds on time-space tradeoffs. He did his post doctorate work at the ICSI in Berkeley on secure data transmission over networks for multi-media applications. He joined York University in 1995. More info about Prof. Jeff Edmonds is here https://lassonde.yorku.ca/users/jeff.

Thời gian: 14:00 đến 15:30, ngày 27/10/2022

Địa điểm: Viện Nghiên cứu cao cấp về Toán (VIASM)

Hình thức: Trực tiếp tại VIASM và trực tuyến.

Đăng ký tham dự tại đây.

Link tham dự trực tuyến: 

Abstract: The goal of Reinforcement Learning is to get an agent to learn how to solve some complex multi-step task, e.g. make a pina colada or win at Go. At the risk of being non-standard, Jeff will tell you the way he thinks about this topic. Both "Game Trees" and "Markoff Chains" represent the graph of states through which your agent will traverse a path while completing the task. Suppose we could learn for each such state a value measuring "how good" this state is for the agent. Then competing the task in an optimal way would be easy. If our current state is one within which our agent gets to choose the next action, then she will choose the action that maximizes the value of our next state. On the other hand, if our adversary gets to choose, he will choose the action that minimizes this value. Finally, if our current state is one within which the universe flips a coin, then each edge leaving this state will be labelled with the probability of taking it. Knowing that that is how the game is played, we can compute how good each state is. The states in which the task is complete is worth whatever reward the agent receives in the said state. These values somehow trickle backwards until we learn the value of the start state. The computational challenge is that there are way more states then we can ever look at.

Seminar Tháng 07/2022:

Talk 2: The Long March of Theoretical Exploration of Boosting.

Báo cáo mời: GS. Zhi-Hua ZHOU, Nanjing University.

 

Thời gian: 15:00 đến 17:00 ngày 08/07/2022.

Địa điểm: Viện Nghiên cứu cao cấp về Toán (VIASM)

Hình thức: Kết hợp trực tiếp tại VIASM và trực tuyến tại Link tham dự:

và Livestream tại: https://www.facebook.com/viasmeduvn

 
Abstract: AdaBoost is a famous mainstream ensemble learning approach that has greatly influenced machine learning and related areas. A fundamentally fascinating mystery of Adaboost lies in the phenomenon that it seems resistant to overfitting, which has inspired a lot of theoretical investigations. In this talk, we will briefly introduce the long history of learning theory studies and debates about Boosting, where the recently concluding result discloses the importance of minimizing margin variance when maximizing margin mean during learning process, which provides new inspiration for the design of powerful learning algorithms such as ODMs (Optimal margin Distribution Machines).
 

Seminar gồm hai phần, phần 1 từ 15:00-16:00 với video bài giảng của GS Zhi-Hua Zhou (dài 43 phút), phần 2 từ 16:00 với Q&A và trao đổi về machine learning. Ban tổ chức gợi ý người tham gia lấy video và dành thời gian tìm hiểu trước  nội dung "The Long March of Theoretical Exploration of Boosting",  nghĩ câu hỏi và vấn đề để trao đổi trong phần 2.

Video bài giảng: Tại đây

Đăng ký tham dự: Tại đây

Details
Category: Tin nghiên cứu
Hits: 2199

Nhằm hỗ trợ và khuyến khích việc nghiên cứu khoa học công nghệ, phát triển công nghệ, đổi mới sáng tạo của các nhà khoa học trẻ, Đoàn Trường Đại học Khoa học Tự nhiên, ĐHQG-HCM thông báo về việc đăng ký đề tài NCKH trong hoạt động Ươm mầm Khoa học sinh viên năm 2022 được triển khai như sau:

A. Loại hình đề tài nghiên cứu khoa học công nghệ trong hoạt động Ươm mầm nghiên cứu Khoa học sinh viên được áp dụng theo quy định tại Quyết định số 2480/QĐ/KHTN-KH về Quy trình thực hiện đề tài cấp Trường:

  1. Đề tài định hướng nghiên cứu:
  • Khuyến khích sản phẩm đề tài có ít nhất 01 bài báo được công bố (hoặc được chấp nhận đăng) trên các tạp chí khoa học trong danh mục Scopus năm 2022 hoặc kỷ yếu Hội nghị Quốc tế (có phản biện) được xuất bản bởi ACM, Springer, IEEE hoặc tương đương (áp dụng cho lĩnh vực Công nghệ Thông tin, Điện tử - Viễn thông).
  1. Đề tài định hướng ứng dụng:
  • Khuyến khích sản phẩm đề tài có ít nhất 01 giải pháp hữu ích hay bản quyền tác giả đã được chấp nhận đơn đăng ký.

B. Kinh phí:

  1. Các đề tài được thực hiện do nguồn kinh phí nghiên cứu khoa học công nghệ từ Trường: kinh phí tối đa cho mỗi đề tài là 30 triệu đồng;
  2. Các đề tài được thực hiện do nguồn kinh phí từ các đề án của Khoa: kinh phí tối đa cho mỗi đề tài là 30 triệu đồng và do Hiệu trưởng/Phó Hiệu trưởng phụ trách Khoa học Công nghệ phê duyệt theo đề nghị của đơn vị.

Quy trình triển khai các đề tài được thực hiện do nguồn kinh phí từ các đề án của Khoa sẽ tuân theo quy định chung của Trường.

C. Tiêu chuẩn đối với đề tài cấp Trường:

  • Thời gian thực hiện: 6-12 tháng;
  • Đề tài nghiên cứu phù hợp định hướng nghiên cứu khoa học công nghệ của Trường, Khoa, Trung tâm, Phòng thí nghiệm;
  • Tính khoa học, tính thực tiễn, tính khả thi của đề tài;
  • Tính không trùng lắp của đề tài;

D. Chủ nhiệm đề tài

  • Chủ nhiệm phải là sinh viên đang học tập tại trường Đại học Khoa học Tự nhiên, ĐHQG-HCM;
  • Có chuyên môn phù hợp với đề tài đăng ký, có sự hướng dẫn của thầy cô trong bộ môn, khoa;
  • Không nợ đề tài cũ. Nếu có đề tài chưa nghiệm thu thì phải hoàn tất các hồ sơ nghiệm thu và quyết toán;
  • Trong thời gian nhận thực hiện đề tài không có kế hoạch đi học tập dài hạn ở nước ngoài hoặc chuyển đổi công tác;
  • Không đồng thời chủ trì 02 đề tài cùng cấp;
  • Không bị kỷ luật hoặc đã hết hạn kỷ luật.

E. Đăng ký thực hiện:

Các đề tài được thực hiện từ nguồn kinh phí của Trường, Khoa:

  • Hồ sơ đăng ký gồm: 01 file Thuyết minh đề cương (theo mẫu T01) (định dạng Word, PDF) qua email: This email address is being protected from spambots. You need JavaScript enabled to view it..
  • Nơi nộp hồ sơ sau khi nhận phản hồi của Đoàn trường: Văn phòng Đoàn trường (F106)
  • Thời gian nộp hồ sơ: Từ 21/6/2022 đến hết ngày 21/7/2022

Details
Category: Tin nghiên cứu
Hits: 3604

Bài giảng Toán Lý 20220729

Bài giảng Toán Lý - Lectures on Mathematical Physics

Thời gian 

Sáng Thứ sáu 29/7/2022

Địa điểm 

Phòng 510A4, Trường Đại học Bách khoa ĐHQG-HCM, 268 Lý Thường Kiệt, Phường 14, Quận 10, TPHCM

(Nhà A4 gần cổng đường Tô Hiến Thành)

Chương trình

  • 8g30 - 9g20: Nguyễn Trọng Toán: Lý thuyết động học trong plasma - Kinetic Theory of a Plasma
  • 9g20 - 9g35: Nguyễn Minh Quân: Một số bài toán về truyền sóng trong vật liệu quang học - Some wave equations in optical waveguides
  • 9g35 - 10g5: Giải lao
  • 10g5 - 10g55: Phan Thành Nam: Nguyên lý bất định cho các hàm trực chuẩn - Uncertainty principles for orthonormal functions
  • 10g55 - 11g10: Lê Đức Hưng: Những bài toán về sóng chất lỏng - Problems on fluid waves
  • 11g10 - 12g: Trao đổi thảo luận về nghiên cứu và ứng dụng toán lý

Diễn giả

  • Lê Đức Hưng tốt nghiệp đại học tại ĐH bang Washington (Mỹ), tốt nghiệp tiến sĩ tại ĐH bang Missouri (Mỹ), hiện là giảng viên Trường ĐH Khoa học Tự nhiên ĐHQG-HCM.
  • Phan Thành Nam tốt nghiệp đại học tại Trường ĐH Khoa học Tự nhiên ĐHQG-HCM, tốt nghiệp tiến sĩ tại ĐH Copenhagen (Đan Mạch), hiện là giáo sư tại ĐH Munich (Đức), được Giải thưởng Hội Toán học Châu Âu năm 2020.
  • Nguyễn Minh Quân tốt nghiệp đại học tại Trường ĐH Khoa học Tự nhiên ĐHQG-HCM, tốt nghiệp tiến sĩ tại ĐH bang New York ở Buffalo (Mỹ), hiện là giảng viên Trường ĐH Quốc tế ĐHQG-HCM.
  • Nguyễn Trọng Toán tốt nghiệp đại học tại Trường ĐH Khoa học Tự nhiên ĐHQG-HCM, tốt nghiệp tiến sĩ tại ĐH Indiana (Mỹ), hiện là giáo sư tại ĐH Pennsylvania State (Mỹ), được Giải thưởng T. Brooke Benjamin Prize in Nonlinear Waves năm 2022.

Tổ chức

Đơn vị tổ chức: Bộ môn Giải tích (Trường ĐH Khoa học Tự nhiên ĐHQG-HCM) và Bộ môn Toán ứng dụng (Trường ĐH Bách khoa ĐHQG-HCM). Ban tổ chức: Huỳnh Quang Vũ và Nguyễn Tiến Dũng.

Trân trọng kính mời!

Details
Category: Tin nghiên cứu
Hits: 1998

Người trình bày:

TS. Nguyễn Văn Hợi

Institut de recherche mathématique de Rennes, University of Rennes 1, France

Tựa đề: 

Geometric models and applications to material media with defects - Các mô hình hình học và ứng dụng vào vật liệu có hư hỏng

Bài trình bày này thảo luận nghiên cứu mô hình hóa toán học vật liệu có hư hỏng trong khung hình học vi phân.

Thời gian:

14g ngày Thứ sáu 1/7 tại phòng F207 cơ sở 227 Nguyễn Văn Cừ Quận 5

Phần trình bày hướng tới sinh viên và những người quan tâm ứng dụng hình học vi phân trong cơ học. Mời mọi người quan tâm tham dự.

Buổi seminar có kết hợp phát trực tuyến, người muốn dự trực tuyến vui lòng đăng kí địa chỉ email ở đây để nhận địa chỉ trực tuyến:

Người tổ chức:

Huỳnh Quang Vũ

  1. Báo cáo Khoa học của PGS. TS. Hồ Sĩ Tùng Lâm
  2. GẶP GỠ TOÁN HỌC – TRƯỜNG HÈ 2022
  3. Thông báo hoãn Seminar Xác suất - Thống kê (cập nhật)
  4. Chương trình Phát triển giáo dục STEM kết nối cộng đồng