News

На командном соревновании было предложено предложено 6 задач, охватывающих классификацию, регрессию и временные ряды.
Задачи необходимо было решить за 24 часа.

Ребята заняли абсолютное третье место и были приглашены на финальный ивент, который пройдет в Тегеране 30 октября.

Мы в свою очередь хотели бы просто по-дружески поздравить ребят из Higgsfield и порадоваться их победам! Ерзат @rlprompt - один из старожил нашего сообщества и является примером того, как человек может драйвить индустрию. Очень радостно видеть, как о Higgsfield говорят из каждого утюга, наблюдая стремительный рост!

Сегодня хороший повод вспомнить видение Ерзата в далеком 2018 году до повального AI хайпа на одном из наших митапов
https://youtu.be/l5V_UD5ouG0?si=zEi0rH3ucBHqU6s0

Causal Representation Learning from Multiple Distributions: A General Setting
In many problems the measured variables are functions of the latent causal variables (e.g., the underlying concepts or objects). For the purpose of making predictions in changing environments or making proper changes to the system, it is helpful to recover the latent causal variables and their causal relations. This problem has been known as causal representation learning. This paper is concerned with a general, completely nonparametric setting of causal representation learning from multiple distributions, without assuming hard interventions behind distribution changes.

На встрече обсудим:
- Что такое causal representation learning
- Как оно может применятся (на примере EEG)
- Параметрический и непараметрический сеттинг и VAE

• Суббота, 13 сентября, 11:00 KZ Time
• Добавить в календарь
• meet.google.com/aeo-oivb-zdp
• Speaker: Ayana Mussabayeva