Екатерина Филимошина выступила на конференции International Conference on Machine Learning (ICML 2025) в Ванкувере, Канада

Стажёр-исследователь Лаборатории геометрической алгебры и приложений Екатерина Филимошина приняла участие в международной конференции International Conference on Machine Learning (ICML 2025). Это одна из крупнейших и наиболее значимых конференций по компьютерным наукам. В НИУ ВШЭ конференция ICML входит в список A* конференций (A CONF), участие в которых приравнивается к публикации в журналах Q1. Конференция ICML проводится ежегодно, начиная с 1980 года (ICML 1980 Pittsburgh, United States).

Сайт конференции: https://icml.cc/

Конференция ICML 2025 проходила в Vancouver Convention Center в Ванкувере, Канада, с 13 по 19 июля. В этом году на ICML было подано 12 107 заявок, что на 28% больше, чем в прошлом году. Из этих заявок было принято 3 260, то есть процент принятия составил 26,9%. Конференция ICML включает несколько форматов: устные доклады, воркшопы, туториалы и постерные сессии. В рамках конференции было организовано 6 больших 2.5-часовых постерных сессий, во время каждой из них было представлено около 500 постеров. 

Программа конференции: https://icml.cc/virtual/2025/calendar

Екатерина выступила на ICML 2025 с постерным докладом: 

Доклад: Ekaterina Filimoshina & Dmitry Shirokov, 'GLGENN: A Novel Parameter-Light Equivariant Neural Networks Architecture Based on Clifford Geometric Algebras', 16 июля 2025.

Аннотация: We propose, implement, and compare with competitors a new architecture of equivariant neural networks based on geometric (Clifford) algebras: Generalized Lipschitz Group Equivariant Neural Networks (GLGENN). These networks are equivariant to all pseudo-orthogonal transformations, including rotations and reflections, of a vector space with any non-degenerate or degenerate symmetric bilinear form. We propose a weight-sharing parametrization technique that takes into account the fundamental structures and operations of geometric algebras. Due to this technique, GLGENN architecture is parameter-light and has less tendency to overfitting than baseline equivariant models. GLGENN outperforms or matches competitors on several benchmarking equivariant tasks, including estimation of an equivariant function and a convex hull experiment, while using significantly fewer optimizable parameters.

Текст работы: https://openreview.net/forum?id=H0ySAzwu8k&noteId=8xBQcGC7zC

Код: https://github.com/katyafilimoshina/glgenn

Постер: https://icml.cc/virtual/2025/poster/45802

По результатам выступления, работа будет опубликована в сборнике Proceedings of the 42nd International Conference on Machine Learning, Vancouver, Canada. PMLR 267, 2025. Работа выполнена в рамках реализации проекта «Зеркальные лаборатории НИУ ВШЭ: «Кватернионы, геометрические алгебры и приложения».