Seminario: Optimización y aprendizaje automático (2025)

El objetivo del seminario es discutir algunos puntos de vista vigentes sobre la relación entre modelos de optimización regularizada (tipo LASSO) y la teoría matemática de aprendizaje automático (machine learning). El seminario será autocontenido y no asume conocimientos previos ni de optimización ni de ML.

Ver página de 2024 aquí

HORARIO: Jueves 13.30-15.00 en Salón de Seminarios del IMERL (Salón 101) FIng.

CALENDARIO DEL SEMINARIO:

Fecha Titulo Conferencista Links
27/2/2025 CoLiDE: Concomitant Linear DAG Estimation G. Mateos (U. Rochester) [diapositivas] [paper]
6/3/2025 Mathematical modeling challenges in biomedicine (14hs) Magnus Fontes (Instituto Roche)
13/3/2025 Suspendido
20/3/2025 Grafos Expansores para Compressive Sensing Pedro Raigorodsky
27/3/2025 Cómo aproximar objetos en forma de estrella? Mauricio Velasco [diapositivas]
3/4/2025 Suspendido
10/4/2025 Aprendizaje profundo (deep learning) en esferas Leandro Bentancur
17/4/2025 Turismo
24/4/2025 TBA Bernardo Marenco
1/5/2025 Día del Trabajador -
8/5/2025 TBA Marcelo Fiori
15/5/2025 TBA Federico Carrasco
22/5/2025 TBA Matías Valdéz

ORGANIZADORES:

  • Pedro Raigorodsky (pedro.raigorodsky@gmail.com)
  • Marcelo Fiori (mfiori@fing.edu.uy)
  • Mauricio Velasco (mauricio.velasco@ucu.edu.uy)

    • Si quiere dar una charla en el Seminario por favor escribir a los organizadores. Abajo hay algunas referencias con temas y artículos de posible interés (pero charlas de un tema distinto, en un área afin a la descripción del seminario estan bienvenidas!)

    Referencias de interes:

    Titulo Tema Link EsClave
    Compressive Sampling Compressive Sensing [Link] *
    Compressive Fourier Compressive Sensing [arXiv]
    CS on measures Compressive Sensing [arXiv]
    Rank Minimization (RM) via nuclear norm regularization Matrix Factorization [arXiv] *
    Online Matrix Factorization Matrix Factorization [arXiv]
    Big data is Low rank Matrix Factorization [arXiv]
    Geometry of regularization Matrix Factorization [arXiv] *
    Latent variable model selection Matrix Factorization [arXiv]
    Wasserstein and Regularization in ML DRO [arXiv] *
    Regularized Risk in DL DRO [arXiv]
    Implicit Regularization Towards Rank Minimization in ReLU Networks Implicit regularization [arXiv]
    Limitations of Implicit Bias in Matrix Sensing. Implicit regularization [arXiv]
    Implicit Regularization in Deep Matrix Factorization Implicit regularization [arXiv]
    Implicit Regularization in Tensor Factorization Implicit regularization [arXiv]
    Matrix factorization geodesic convexity Matrix Factorization [arXiv]
    Introducción Geometría de Deep Learning [arXiv]
    Aproximación con neural networks Geometría de Deep Learning [arXiv], [arXiv]
    Espacios de aproximación Geometría de Deep Learning [arXiv]
    (FOCM) Theory-to-Practice Gap en DL Geometría de Deep Learning [arXiv]
    Universality of transformers DRO [arXiv]
    Conformal Prediction [notas]
    Deep K-SVD Denoising [arXiv]