Александр Коротин возглавляет исследовательскую группу по Генеративному ИИ в Центре прикладного ИИ Сколтеха. Основным направлением его исследований является разработка масштабируемых и теоретически обоснованных методов построения генеративных моделей данных. Он исследует существующие и предлагает новые генеративные модели на основе теории оптимального транспорта и мостов Шрёдингера, что тесно связано с популярными моделями диффузии. Результаты исследований Александра регулярно публикуются на лучших конференциях и в журналах по машинному обучению и искусственному интеллекту. С 2020 года он представил 13 статей на конференциях A* (ICLR, NeurIPS) и опубликовал несколько статей в журналах Q1 (Neurocomputing, Pattern recognition) и других.
Исследования Александра Коротина были высоко оценены профессиональным сообществом, и ему дважды (в 2019 и 2021 годах) была присуждена Yandex ML Prize за передовые исследования в области машинного обучения и искусственного интеллекта. Три самые заметные работы Александра - "Wasserstein-2 Generative Networks" (ICLR 2021), "Neural Optimal Transport" (ICLR 2023 Spotlight, Top 25%), и "Entropic Neural Optimal Transport via Diffusion Processes" (NeurIPS 2023 Oral, Top 3%).
В 2018 году Александр закончил обучение в Высшей школе экономики, где изучал математику (бакалавриат) и затем информатику (магистратура). Параллельно он закончил Школу анализа данных "Яндекса". Еще студентом Александр активно участвовал в исследовательских стажировках в Yandex Research, IITP RAS, Сколтехе и Высшей школе экономики. В 2018 году он поступил в аспирантуру по информатике в Сколтехе под руководством профессора Евгения Бурнаева. В 2022 году успешно закончил аспирантуру и в 2023 году защитил диссертацию на тему "Параметрические методы вычисления оптимальных транспортных отображений, расстояний и барицентров" в ФЦ ЦСК РАН. Его текущие исследования являются логическим продолжением его диссертационных исследований.
В Сколтехе Александр руководит работой нескольких аспирантов и магистрантов (~10) в их исследованиях, связанных с генеративным моделированием и оптимальным транспортом. Под его руководством студенты занимаются фундаментальными исследованиями в области машинного обучения (разрабатывают новые методы генеративного моделирования и выводят теоретические гарантии для них) и применяют генеративные модели к реальным практическим задачам, включая трансляцию изображений, увеличение разрешения, замазывание, перенос голосового стиля и другие.
Недавним прикладным проектом, осуществленным Александром и его группой в Центре прикладного ИИ, является разработка нейронных моделей для увеличения разрешения метеокарт (полученных с климатической модели) с использованием оптимального транспорта. Планируется использовать эти модели в качестве части систем прогнозирования лесных пожаров в России. Помимо исследований и руководства студентами, Александр активно участвует в образовательных мероприятиях, часто читает лекции и мини-курсы по генеративным моделям оптимального транспорта. Недавние доклады были проведены на Летней школе машинного обучения Сколтеха (SMILES-2023) и летних школах AIRI по искусственному интеллекту (2022, 2023).
Избранные публикации (полный список можно найти в резюме или профиле Google Scholar):
Статья [1] была принята в качестве устного доклада (топ-3%) на конференцию NeurIPS 2023.
Статья [2] получила статус Spotlight (топ-25%) на конференции ICLR 2023 и является единственной статьей из России, выделенной как Spotlight.
[1] Гущин, Н., Колесов, А., Коротин, А., Ветров, Д., & Бурнаев, Е. (2023). "Энтропийный нейронный оптимальный транспорт через процессы диффузии." На Тридцать седьмой Конференции по обработке информации нейронами.
[2] Коротин, А., Селиханович, Д., & Бурнаев, Е. (2023). "Нейронный оптимальный транспорт." На Одиннадцатой Международной Конференции по обучению представлениям.
[3] Коротин, А., Егиазарян, В., Асадулаев, А., Сафин, А., & Бурнаев, Е. (2021). "Генеративные сети Вассерштейна-2". На Международной конференции по обучению представлениям.
Ссылки:
• Google Scholar: ссылка
• GitHub: ссылка
• Веб-сайт: ссылка
