Instituto seminarai

VU Informatikos instituto mokslo seminaras vyksta kas antrą trečiadienį. Prasideda 16 val.

Pranešimai ir pranešėjai

Bendra informacija apie pranešimus

Pandemijos laiku seminaras nuotolinis. Norintys perskaityti pranešimą seminare maloniai kviečiami kreiptis elektroniniu paštu

mindaugas.bloznelis@mif.vu.lt

Seminarai 2020/2021 metais

2020 12 02. Pranešėjas prof. Tadas Meškauskas.

Pranešimo tema: Defektuotų biologinių membranų kompiuterinis modeliavimas

Santrauka: Papasakosiu apie kartu su VU GMC kolegomis (prof. G.Valinčiumi ir jo grupe) ir II doktorantais T.Raila, S.Bucka vykdomus tyrimus. Taikomoji sritis – toksinų pažeistų (defektuotų) fosfolipidinių membranų elektrocheminės savybės. Šios membranos imituoja gyvų organizmų ląstelių membranas, kuriose dėl sąlyčių su toksinais, uždegimų, senėjimo ir kitų priežasčių gali rastis defektai, iškreipiantys elektrocheminius virsmus (o tai gali sietis su neurodegeneraciniais susirgimais: pavyzdžiui, Alzheimerio liga, Parkinsono liga). Sudaromi ir analizuojami (baigtinių elementų metodu) trimačiai defektuotų membranų kompiuteriniai modeliai (vizualiai panašūs į olandiško sūrio gabalus).

Kaip kompiuteriu sumodeliuoti elektrocheminį atsaką – impedanso spektrą (matuojamą ir eksperimentiškai laboratorijoje), su kokiais iššūkiais susiduriama? Atvirkštinis uždavinys – turint impedanso spektrą, ką galima pasakyti apie membranos pažaidos tipą (defektų klasterizacijos pobūdį)? Kokios metrikos (idėjos, susijusios su Voronojaus diagramomis) gali praversti kiekybiškai įvertinant defektų klasterizacijos laipsnį? Sintetinių duomenų generavimas ir jų atitikimas realių membranų nuotraukoms (gautoms atominės jėgos mikroskopu) – kaip kompiuteriu pseudoatsiktinai išbarstyti defektus (idėjos iš kompiuterinės grafikos: debesų, dūmų tekstūrų simuliacijos), turinčius eksperimentuose stebimą klasterizacijos pobūdį? Iššūkiai automatizuotai atpažįstant defektus (atominės jėgos nuotraukose) – „paprastos” (Hough transformacija etc.) ir „sunkiasvorės” (dirbtinis intelektas ) metodikos.

Literatūra:

1. T.Raila, F.Ambrulevičius, T.Penkauskas, M.Jankunec, T.Meškauskas, David J. Vanderah, G.Valincius, Clusters of protein pores in phospholipid bilayer membranes can be identified and characterized by electrochemical impedance spectroscopy, Electrochimica Acta, 364, 2020. https://doi.org/10.1016/j.electacta.2020.137179

2. T.Raila, T.Penkauskas, M.Jankunec, G.Dreižas, T.Meškauskas, G.Valincius, Electrochemical impedance of randomly distributed defects in tethered phospholipid bilayers: Finite element analysis, Electrochimica Acta, 299, pp. 863–874, 2019. https://doi.org/10.1016/j.electacta.2018.12.148

3. G.Valincius, T.Meškauskas, F.Ivanauskas, Electrochemical Impedance Spectroscopy of Tethered Bilayer Membranes, Langmuir, 28, pp. 977–990, 2012. http://dx.doi.org/10.1021/la204054g

4. T.Raila, M.Jankunec, T.Meškauskas, G.Valinčius, Computational models of defect clustering for tethered bilayer membranes, In: Proceedings of 20th International Conference ICCSA 2020 (Eds. O.Gervasi et al.), Springer, Lecture Notes in Computer Science, 12253, pp. 496–504, 2020. https://doi.org/10.1007/978-3-030-58814-4_35

5. T.Raila, T.Meškauskas, G.Valinčius, M.Jankunec, T.Penkauskas, Computer modeling of electrochemical impedance spectra for defected phospholipid membranes: finite element analysis, In: Proceedings of 3rd International Conference NUMTA 2019 (Eds. Y.D.Sergeyev and D.E.Kvasov), Springer, Lecture Notes in Computer Science, 11974, pp. 462–469, 2020. https://doi.org/10.1007/978-3-030-40616-5_44

2020 11 18. Pranešėjas prof. Leonidas Sakalauskas

Pranešimo tema: Socialinio elgesio fenomenų matematinis-kompiuterinis
modeliavimas

( Paskaitos kalba – Lietuvių. )

Santrauka: Pranešimas yra skirtas daugiaagenčio modeliavimo, lošimų teorijos bei struktūrinio tikimybinio modeliavimo taikymams sistemiškai nagrinėjant įvairius socialinio elgesio fenomenus (lošimų teorijos grupinių sprendimų paradoksai, socialinio kapitalo dinamika, pandemijų-infodemijų informaciniai aspektai, ir tt.). Nagrinėjami realių procesų ontologinio operacionalizavimo klausimai, siekiant parodyti kompiuterių mokslo sąsajas su socialiniais-humanitariniais mokslais, bei parengti metodologiją Įrodymais pagrįstiems sprendimams (Evidence-Based-Decisions) formuoti.

Pranešimas remiasi LMT mokslininkų grupių projekto „Kultūros procesų socialinio poveikio metrikos, konceptualaus bei imitacinio modelio kūrimas”, http://www.sicp.mii.vu.lt , rezultatais.

Literatūra:

1. E. Vilkas (2002) Sprendimų priėmimo teorija. VDU
2. R. Axelrod (2006), The Evolution of Cooperation.
3. J. Scott (2017). Social Network Analysis
4. K. J. Arrow (1963). Social Choice and Individual Values
5. I. Curriel (1997) Cooperative Game Theory and Applications
6. R. Bagozzi, Yi Youjae (2011). Specification, evaluation, and
interpretation of structural equation models. Journal of the Academy
of Marketing Science, vol 40, No 1, pp. 8–34.
7. L. Sakalauskas, V. Dulskis, R. Lauzikas, A. Miliauskas, D.
Plikynas (2020) A probabilistic model of the impact of cultural
participation on social capital. JOURNAL OF MATHEMATICAL SOCIOLOGY.
DOI: 10.1080/0022250X.2020.1725002
8. R. Karbauskaite, L. Sakalauskas, G. Dzemyda (2020) Kriging
Predictor for Facial Emotion Recognition Using Numerical Proximities
of Human Emotions. INFORMATICA, vol 31, No 2, pp. 249-275

2020 11 04. Pranešėjas dr. Linas Petkevičius.

Pranešimo tema: Vaizdų palyginimo matai medicininių vaizdų rekonstrukcijai

Santrauka: Per pastarąjį penkmetį vaizdų analizė ir gilieji mokymosi metodai, tobulėjo ypatingai sparčiai. Sėkmė kompiuterinėje regoje įgalino įvarius naujus taikymus įskaitant medicininių vaizdų analizėje. Vaizdo rekonstrukcija, triukšmo šalinimas ir kiti panašūs taikymai, sparčiai tobulėjo.

Seminare pristatoma apžvalga ir praktiniai tyrimai, kaip vaizdų palyginimo matai įtakoja galutinį modelių tikslumą. Tyrimai rodo jog sudėtinga vaizdų struktūra, reikalauja labai detalaus vaizdų palyginimo matų parinkimo, praktiškai veikiančių modelių kūrimui.

Literatūra:

1. Wang, Zhou, et al. „Image quality assessment: from error visibility to structural similarity.” IEEE transactions on image processing 13.4 (2004): 600-612.

2. You, Chenyu, et al. „Structurally-sensitive multi-scale deep neural network for low-dose CT denoising.” IEEE Access 6 (2018): 41839-41855.

3. Renieblas, Gabriel Prieto, et al. „Structural similarity index family for image quality assessment in radiological images.” Journal of medical imaging 4.3 (2017): 035501.1

4. Brusokas, Jonas; Petkevičius, Linas. Analysis of deep neural network architectures and similarity metrics for low-dose CT reconstruction // 2020 IEEE open conference of electrical, electronic and information sciences (eStream)), 30 April 2020, Vilnius, Lithuania: proceedings of the conference / organized by Vilnius Gediminas Technical University. New York : IEEE, 2020. ISBN 9781728197791. p. [1-6]. DOI: 10.1109/eStream50540.2020.9108883.

5. Brusokas, Jonas; Petkevičius, Linas. Numerical analysis of SLSSIM similarity on medical X-ray image domain // Informacinės technologijos = Information technology : XXIV tarpuniversitetinės tarptautinės magistrantų ir doktorantų konferencijos „Informacinė visuomenė ir universitetinės studijos“ (IVUS 2019) medžiaga, 2019 m. balandžio 25 d.,Kaunas,Lietuva. Kaunas : Vytauto Didžiojo universiteto leidykla. ISSN 2029-249X. eISSN 2029-4824. 2019, p. 119-124.

2020 10 21. Pranešėjas prof. Linas Laibinis

Pranešimo tema (angl.): The refinement calculus — a mathematical theory of program refinement

Santrauka (angl.): The refinement calculus is a logical framework for reasoning about programs. It is concerned with two main questions: is a program correct with respect to a given specification, and how can we improve, or refine, a program while preserving its correctness. Both programs and specifications can be seen as special cases of a more general notion, that of a contract between independent agents. Refinement is defined as a relation between contracts and turns out to be a lattice ordering. The refinement calculus is formalized within higher-order logic. This allows us to prove the correctness of programs and to calculate program refinements in a rigorous, mathematically precise manner. Lattice theory and higher-order logic together form the mathematical basis for the calculus.

Literature:

1. Ralph-Johan Back, Joakim von Wright. Refinement Calculus: A Systematic Introduction. Springer-Verlag, 1998. DOI: 10.1007/978-1-4612-1674-2

2. Viorel Preoteasa and Ralph-Johan Back. Data Refinement of Invariant Based Programs. In Electronic Notes in Theoretical Computer Science, pages 143-163, Elsevier, 2009. DOI: 10.1016/j.entcs.2009.12.022

3. Linas Laibinis. Mechanised Formal Reasoning About Modular Programs. PhD thesis, TUCS Dissertations, Turku Centre for Computer Science, April 2000.

4. Anton Tarasyuk, Elena Troubitsyna, and Linas Laibinis. Integrating Stochastic Reasoning into Event-B Formal Development. Formal Aspects of Computing, 27(1), pages 53-77, 2015.

2020 10 21. Pranešėjas: instituto doktorantai.

2020 09 23. Pranešėjas: dr. Linas Petkevičius

Pranešimo tema: „Išskirčių identifikavimas duomenų rinkiniuose“

Santrauka: Duomenų analizė, išmanūs algoritmai mus supa aplinkui.

Visgi, dažnai naudojami modeliai vertina modelio parametrus laikydami, jog duomenys „švarūs”, tai savo ruoštu gali vesti prie paslinktų įverčių, bei klaidingų išvadų. Kas yra išskirtys duomenyse ir kaip identifikuoti išskirtis mastelio-postūmio skirtiniams [1], bei regresijos atvejais [2] bus pristatoma seminare.

Literatūra:

[ 1] V. Bagdonavičius, L. Petkevičius. „Multiple outlier detection tests for parametric models.” arXiv preprint arXiv:1910.10426 (2019).
[2] V. Bagdonavičius, L. Petkevičius. „A new multiple outliers identification method in linear regression.” Metrika 83.3 (2020): 275-296.

Seminaras vyko anglų kalba

Title: Outliers identification in data

Summary: The data analysis and automated solutions are surrounding us.
However, usually model parameters estimation assumes that data are „clean”.
It might lead to biased estimates of parameters and misleading conclusions.
In seminar the formulation of outliers for scale-location distributions family are presented [1],
as well as for regression tasks [2].

Literature:

[1] V. Bagdonavičius, L. Petkevičius. „Multiple outlier detection tests for parametric models.” arXiv preprint arXiv:1910.10426 (2019).
[2] V. Bagdonavičius, L. Petkevičius. „A new multiple outliers identification method in linear regression.” Metrika 83.3 (2020): 275-296.