SINH VIÊN XUẤT SẮC HỌC KỲ 2 NĂM HỌC 2019 – 2020 NHẬN TẶNG THƯỞNG CỦA VIỆN

Ngày 2/7/2020, Viện CNTT&TT thông báo về việc tặng thưởng cho sinh viên xuất sắc học kỳ 2 – năm học 2019 – 2020 trên website tại địa chỉ: https://soict.hust.edu.vn/tin-tuc/thong-bao/thong-bao-ve-viec-tang-thuong-cho-sinh-vien-xuat-sac-hoc-ky-2-nam-hoc-2019-2020.html

Theo đó, Viện sẽ tặng thưởng 05 máy tính xách tay MacBook (Retina, 12-inch) nhãn hiệu Apple, like new, được doanh nghiệp tài trợ, cho hai đối tượng:

– 04 sinh viên có điểm GPA (tổng kết học kỳ 2 năm học 2019 – 2020) cao nhất mỗi khóa (từ khóa 61 đến khóa 64). Trường hợp có hơn 02 sinh viên có cùng điểm GPA, tiêu chí phụ xét chọn sinh viên nào có CPA cao hơn sẽ được nhận phần thưởng.

– 01 sinh viên đạt giải thưởng Best Thesis Award, được Hội đồng bảo vệ tốt nghiệp của Viện bình chọn thông qua kỳ bảo vệ tốt nghiệp học kỳ 2019-2.

Viện CNTT&TT chúc mừng các em sinh viên có tên dưới đây xuất sắc nhận được 05 phần thưởng của Viện:

1. Sinh viên có điểm GPA cao nhất học kỳ 20192

2. Sinh viên đạt giải thưởng Best Thesis Award kỳ 20192

Họ tên sinh viên: Nguyễn Đức Tùng

Lớp: HTTT K60

Tên đề tài: Predictive Coding for Locally-Linear Control

Tóm tắt đề tài:

Việc phát triển những mô hình có khả năng điều khiển một hệ thống phức tạp chỉ từ quan sát thô sơ và có số chiều lớn (ví dụ như ảnh) sẽ giúp tạo ra những bứt phá mới cho nhiều ngành công nghiệp, bao gồm điều khiển robot tự động hoặc xe tư lái. Một cách tiếp cận phổ biến có tên gọi Learning Controllable Embedding (LCE) giải quyết bài toán này bằng cách đầu tiên chiếu không gian cao chiều xuống một không gian ẩn có số chiều nhỏ hơn rất nhiều, sau đó thực hiện điều khiển tối ưu trên không gian ẩn này. Những phương pháp dựa trên LCE hiện tại học không gian ẩn bằng cách trực tiếp thực hiện việc dự đoán quan sát tiếp theo trong môi trường. Việc làm này có hai nhược điểm lớn như sau: (1) mô hình phải thực hiện một bài toán dự đoán khó trong không gian cao chiều; (2) không tối ưu về mặt tham số, khi ta cần học thêm một hàm ‘giải mã’ mà sẽ không dùng đến trong quá trình điều khiển tối ưu. Đồ án này đề xuất một phương pháp LCE mới, dựa trên lý thuyết thông tin để học không gian ẩn cho điều khiển tối ưu. Đồ án chứng minh bằng lý thuyết rằng việc dự đoán quan sát tiếp theo có thể được thay thế hoàn toàn bằng kỹ thuật ‘mã hóa dự đoán’, và dựa trên kỹ thuật này ta có thể học được không gian ẩn phù hợp cho việc điều khiển tối ưu mà không cần bất cứ hàm ‘giải mã’ nào. Các kết quả thực nghiệm trên nhiều bài toán điều khiển khác nhau cho thấy mô hình đề xuất học một không gian ẩn có khả năng diễn giải tốt hơn nhiều các phương pháp trước đây, qua đó dẫn đến kết quả điều khiển vượt trội. Một phần nghiên cứu đã được công bố tại International Conference on Machine Learning (ICML), 2020.

With the rapid growth of systems equipped with powerful sensing devices, the ability to control systems from high-dimensional raw sensory inputs (e.g., images) will enable new advances in many different industries, such as robot manipulation in manufacturing or self-driving cars. One noteworthy work in solving that problem is the Learning Controllable Embedding (LCE), which embeds the observations into a lower-dimensional latent space, estimates the latent dynamics, and then performs control directly in the latent space. However, the existing LCE-based methods explicitly perform next-observation prediction, which suffers from two critical drawbacks: (i) it requires the model to handle the challenging task of high-dimensional prediction; (ii) it does so in a parameter-inefficient manner—requiring the use of a decoder that is discarded during control. This thesis proposes a novel information-theoretic LCE approach for learning a controllable latent space. The thesis theoretically shows that explicit next-observation prediction can be replaced with predictive coding, which then can be used to develop a decoder-free LCE model whose latent dynamics are amenable to locally-linear control. Extensive experiments on benchmark tasks demonstrate that the proposed model learns a much more intuitive and interpretable latent representation in comparison to previous methods, which leads to superior performance when compared with state-of-the-art LCE baselines. A part of this work is published at International Conference on Machine Learning (ICML), 2020.

Giáo viên hướng dẫn: PGS. Thân Quang Khoát

Mời các bạn có mặt tại Hội trường C2 nhận thưởng trong sự kiện SoICT’s Talk – Episode 5: Vào Bách khoa để làm việc KHÓ, diễn ra vào lúc 8h30 chủ nhật ngày 25/10/2020.