Nejlepší publikace ÚI roku 2024

Soutěž - Vítězné práce

Členové hodnotící komise

  • prof. RNDr. Jaromír Antoch, CSc.
  • prof. Mgr. Zdeněk Dvořák, Ph.D.
  • doc. RNDr. Iveta Mrázová, CSc.
  • prof. Ing. Mirko Navara, DrSc.
  • Carles Noguera, Ph.D.
  • doc. RNDr. Petr Pišoft, Ph.D.
  • doc. Mgr. Robert Šámal, Ph.D.

A. NEJLEPŠÍ TEORETICKÝ VÝSTUP:

  • Milan Paluš, Martina Chvosteková, Pouya Manshour Causes of extreme events revealed by Rényi information transfer.
    Článek se zabývá novým způsobem interpretace vztahů mezi různými částmi chaotického systému. Skutečnost, že teorie informace může pomoci studovat vývoj počasí, je fascinující. Zdá se, že přinejmenším v některých situacích se chová lépe než dosud používané metody, jako je Grangerova kauzalita. Článek je multidisciplinární, ale matematicko-statistická část je dobře vyvážená s částí klimatologickou.
  • Jiří Šíma, Petra Vidnerová, Mrázek, V. Energy Complexity of Convolutional Neural Networks.; Jiří Šíma, Cabessa, J., Petra Vidnerová On energy complexity of fully-connected layers.
    Význam hlubokých neuronových sítí v moderních řešeních umělé inteligence je sice velmi oceňován, ale jejich stále se zvětšující velikost výrazně zvyšuje náklady na jejich trénování a energii potřebnou k jejich provozu. Oba aspekty jsou klíčové napříč rozsáhlými aplikacemi typu LLM i malými aplikacemi typu edge. Aby bylo možné posoudit efektivitu nezávisle na hardwaru, navrhují Šíma a kol. přísný teoretický rámec energetické složitosti. Zavedený koncept zahrnuje dva typy paměti - DRAM a vyrovnávací paměť - a hodnotí celkové energetické náklady prostřednictvím pojmů pro výpočetní energii a vynaloženou energii na data. Pro nastíněný model energetické složitosti autoři stanovují jeho asymptoticky optimální meze pro plně propojené vrstvy a v dalším článku jej rozšiřují na konvoluční neuronové sítě. Teoreticky zdůvodněné výsledky jsou experimentálně ověřeny. Zdá se, že jde o potenciálně významný teoretický příspěvek k vývoji nejmodernějších technologií strojového učení. Oba články byly publikovány v renomovaných časopisech a byly již citovány.

B. NEJLEPŠÍAPLIKOVANÝ VÝSTUP:

  • Pavel Šanda, Jaroslav Hlinka, Van der Berg, M., Škoch, A., Bazhenov, M., Keliris, G. A., Krishnan, G. P. Cholineric modulation support dynamic switching of resting state networks through selective DMN suppression.
    Studie kombinuje chemogenetické údaje od potkanů s vodivostním síťovým modelem potkaního a lidského connectomu a ukazuje, že zvýšení hladiny acetylcholinu v bazálním předním mozku prudce tlumí aktivitu sítě výchozího režimu (DMN) a zároveň šetří senzorické sítě. Tato mechanistická souvislost - od snížení úniku K+ a excitačních synaptických konduktivit řízeného ACh až po podpis fMRI celého mozku - vysvětluje, jak cholinergní neuromodulace převrací mozek z vnitřně soustředěného klidu do stavů zaměřených na úkoly, a poskytuje kvantitativní rámec pro zkoumání deficitů pozornosti a cholinergního poklesu v nemoci. Jedná se o velmi přesvědčivou studii, která integruje experimentální data s výpočetním modelem lidského mozku. Její výsledky mají značný potenciál pro rozvoj terapeutických strategií kognitivních poruch.
  • Dudášová, J., Zdeněk Valenta, Sachs, J. R. Improving presicion of vaccine efficacy evaluation using immune correlate data in time-to-event models.
    Developing efficient and safe vaccines is extraordinarily costly and requires extensive long-term testing. On the other hand, the exact role of population demography and its impact on vaccine efficacy remains questionable in many settings. To better comprehend the vaccination efficacy in demographic subgroups, Dudášová, Valenta, and Sachs extended their previous approach based on logistic regression by utilising immunogenicity data (instead of vaccination status) as a predictor in time-to-event models. Immunogenicity concerns the ability of a substance to provoke an immune response. The newly developed statistical method harnessing immunogenicity data demonstrates more accurate efficacy estimates with narrower confidence intervals for the demography subgroups involved in the two performed clinical trials (for zoster and dengue vaccines). The article addresses a pertinent practical issue in an exceptionally rigorous way and was published in a prestigious journal.

C. NEJLEPŠÍ VÝSLEDEK MLADÝCH AUTORŮ:

  • Gabriela Kadlecová, Lukasik, J., Pilát, M., Petra Vidnerová, Safari, M., Roman Neruda, Hutter, F. Surprisingly Strong Performance Prediction with Neural Graph Features.
    Nedávný pokrok v oblasti umělé inteligence a ML vyžaduje využití stále složitějších architektur neuronových sítí, které by se měly rychle trénovat, snadno interpretovat a být co nejpřesnější. Ideální architektura sítě jednoznačně závisí na dané úloze. V poslední době vzbudily široké povědomí techniky vyhledávání neuronových architektur (NAS), a to díky automatickému průzkumu životaschopných síťových modelů. Byly zkoumány různé charakteristiky predikce výkonnosti, aby se zmírnily vysoké výpočetní náklady nutné k trénování zkoumaných sítí, mimo jiné i proxy s nulovými náklady. Motivováni jejich limity Kadlecová a kol. zavedli nové inovativní vlastnosti neuronových grafů (GRAF), které umožňují vyšší stabilitu a interpretovatelnost nalezených výsledků. Kromě toho, že se dají jednoduše a rychle vyhodnotit, překonávají většinu ostatních prediktorů ve více srovnávacích testech, zejména v kombinaci s dalšími zero-cost proxy. Na výzkumu spolupracovali vědci z několika mezinárodních institucí. Článek byl prezentován na prestižní konferenci ICML v červenci 2024; od té doby byl dvakrát citován. Jeho první autorka, p. Kadlecová, je mladou autorkou, která pokračuje v doktorském studiu.

Přihlášené publikace