BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Departamento de Computación - ECPv6.15.18//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Departamento de Computación
X-ORIGINAL-URL:https://www.dc.uba.ar
X-WR-CALDESC:Eventos para Departamento de Computación
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:America/Sao_Paulo
BEGIN:STANDARD
TZOFFSETFROM:-0300
TZOFFSETTO:-0300
TZNAME:-03
DTSTART:20240101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20251219T100000
DTEND;TZID=America/Sao_Paulo:20251219T110000
DTSTAMP:20260406T165118
CREATED:20251218T133137Z
LAST-MODIFIED:20251218T133137Z
UID:10424-1766138400-1766142000@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Julia Rabinowicz
DESCRIPTION:Título: Problema de coloreo propio de aristas con distinguibilidad \nDirectoras: Isabel Méndez-Díaz y Paula Zabala \nJurados: Dr. Brian Curcio y Dr. Daniel Negrotto \n\nResumen\n\nEn esta tesis se trabaja con el problema de coloreo propio de aristas con distinguibilidad por suma. Se propone una solución a dicho problema utilizando un enfoque de programación lineal entera. El objetivo del presente estudio es desarrollar un algoritmo Branch and Cut que resuelva el problema de la manera más eficiente posible. Bajo esta premisa\, se exponen dos formulaciones de programación lineal entera diferentes que son comparadas para elegir la de mejor performance. Una vez determinado el mejor modelo\, se exponen una heurística inicial\, planos de corte basados en desigualdades válidas encontradas para dicho modelo y una heurística primal con el fin de potenciar al algoritmo. Asimismo\, se realiza un análisis comparativo entre el método exacto propuesto y dos heurísticas\, una búsqueda local y otra basada en un esquema de búsqueda tabú. Finalmente\, se expone el mismo estudio para la implementación de un algoritmo Branch and Cut eficiente pero enfocado en una versión relajada del problema\, junto con un análisis comparativo de los resultados de la versión relajada y los de la versión original.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-julia-rabinowicz/
LOCATION:Aula 1113
CATEGORIES:Agenda
END:VEVENT
BEGIN:VEVENT
DTSTART;TZID=America/Sao_Paulo:20251219T140000
DTEND;TZID=America/Sao_Paulo:20251219T150000
DTSTAMP:20260406T165118
CREATED:20251212T142829Z
LAST-MODIFIED:20251212T142829Z
UID:10377-1766152800-1766156400@www.dc.uba.ar
SUMMARY:Defensa Tesis Licenciatura Alexis Wolfsdorf
DESCRIPTION:Título: Spike Time-Dependent Plasticity en Redes Neuronales Convolucionales\nDirector: Pablo Negri\nJurado: Dr. Ezequiel Pecker Marcosig\, Dr. Alberto Patiño Saucedo \nResumen:\nLas Redes Neuronales de Eventos (SNNs – Spiking Neural Networks) representan un paradigma alternativo a las redes neuronales tradicionales\, procesando información mediante eventos discretos (spikes) en lugar de valores continuos\, emulando más fielmente el funcionamiento del sistema nervioso biológico.\nEn este trabajo se implementó y se validó arquitecturas SNN que utilizan STDP (Spike Time-Dependent Plasticity)\, un algoritmo de aprendizaje biológicamente plausible que permite el aprendizaje no supervisado\, es decir\, sin necesidad de etiquetado manual de los datos. La investigación progresa desde redes fully-connected hacia arquitecturas convolucionales 2D y finalmente 3D\, permitiendo el procesamiento de información espacio-temporal.\nLos aportes principales incluyen: \n\n\nLa adaptación de STDP a arquitecturas convolucionales 2D y 3D para detección de patrones espaciales y temporales\nEl desarrollo de una metodología de validación mediante flujo óptico para evaluar cuantitativamente el aprendizaje de patrones de movimiento\nLa demostración de capacidad de especialización neuronal\, donde cada neurona aprende autónomamente a detectar características específicas (bordes\, líneas\, movimientos direccionales)\nLa validación experimental con datos reales del dataset DVSLips (gestos labiales capturados con cámaras de eventos)\n\n\nEstas arquitecturas presentan ventajas significativas en eficiencia energética (solo consumen energía cuando generan spikes)\, interpretabilidad (los filtros aprendidos son visualizables) y potencial para implementación en hardware neuromórfico especializado.
URL:https://www.dc.uba.ar/event/defensa-tesis-licenciatura-alexis-wolfsdorf/
LOCATION:Sala 1604
CATEGORIES:Agenda
END:VEVENT
END:VCALENDAR