Engelska

Vid tillräcklig efterfrågan

Syftet med kursen är att analysera och fördjupa förståelsen av moderna metoder för generativ modellering, med särskilt fokus på diffusionsmodeller, transformerbaserade arkitekturer, storskaliga modeller grundade i självövervakad inlärning och förstärkningsinlärning från mänsklig återkoppling (RLHF), samt parametriska och implicita modeller för visuell rekonstruktion och syntes.

Ett ytterligare syfte är att utveckla studenternas kritiska förhållningssätt och vetenskapliga kreativitet, vilket möjliggör identifiering av öppna forskningsproblem och formulering av nya forskningsinriktningar bortom direkt inkrementella framsteg. Kursen lägger särskild vikt vid metodologisk stringens, begreppslig klarhet och forskningsmässigt omdöme inom snabbt framväxande och beräkningsintensiva områden inom generativ artificiell intelligens.

Kursen behandlar följande ämnen:

● Diffusionsmodeller, transformerarkitekturer samt statiska och temporala generativa modeller

● Parametriska modeller och implicita funktioner för rekonstruktion och syntes, inklusive tredimensionell visuell modellering

● Generativa och multimodala arkitekturer baserade på självövervakad inlärning och förstärkningsinlärning från mänsklig återkoppling (RLHF)

Den moderna utvecklingen inom djupinlärning och artificiell intelligens drivs både av storskaliga, empiriskt utvecklade modeller och av snabbt framväxande grundläggande metodologier. Kursen intar ett kritiskt metodologiskt perspektiv och analyserar hur modellkomplexitet, empirisk skala, teoretisk struktur och experimentell tillräcklighet kan balanseras under ökande beräkningsmässiga, datamässiga och organisatoriska begränsningar.

Kursen riktar sig till studenter som redan har god kännedom om etablerade metoder inom djupinlärning och generativ modellering och fokuserar på avancerade koncept på forskningsfronten, öppna problem samt framväxande forskningsinriktningar.

Redogöra för och förstå avancerad forskningslitteratur om diffusionsmodeller, transformerarkitekturer samt rumsliga och temporala generativa modeller

Redogöra för parametriska och implicita modelleringsmetoder för visuell rekonstruktion och syntes

Redogöra för aktuella forskningsfronter, begränsningar och etablerade utvärderingsmetoder inom storskalig generativ modellering

Kritisk analysera avancerad forskningslitteratur inom generativ AI, inklusive storskalig modellering och optimeringsprinciper som ligger till grund för moderna arkitekturer

Syntetisera insikter över flera forskningsinriktningar och bedöma metodologiska avvägningar

Formulera sammanhängande och originella forskningsfrågor samt modelleringsinriktningar baserade på identifierade brister och begränsningar i befintliga metoder

Självständigt och kritiskt utforska nya forskningsinriktningar inom generativ AI

Kunna kritiskt värdera och reflektera över forskningslitteratur samt identifiera öppna frågor och lovande forskningsinriktningar inom generativ AI.

Resonera kring metodologiska avvägningar, forskningsetiska aspekter och genomförbarhet i utvecklingen av forskningsidéer och explorativa forskningsförslag

Föreläsningar

Seminarier

Litteraturkurs som självstudier

Muntlig tentamen

Skriftlig rapport

En individuell eller gruppbaserad uppsats och muntlig presentation om ett valt ämne, där studenten/gruppen utvecklar möjliga framtida forskningsinriktningar. Examinationen är konceptuellt lik utvecklingen av en forskningsagenda eller ett explorativt förslag, med en bredare omfattning än en enskild artikel, och syftar till att identifiera lovande frågor, angreppssätt, modeller eller forskningsprogram inom ett viktigt och otillräckligt utforskat område.

Examinationen är utformad för att bedöma studentens/gruppens förmåga att kritiskt syntetisera forskningslitteratur, formulera originella forskningsinriktningar samt resonera kring genomförbarhet, omfattning och metodologiska avvägningar.

Underkänd, godkänd

Kursen är avsedd för avancerade forskarstudenter samt andra akademiker eller yrkesverksamma med goda kunskaper inom datorseende och maskininlärning. Tidigare forskarerfarenhet förväntas, och tidigare publikationer är meriterande men inte ett krav. Kursen är lämplig för deltagare som vill fördjupa sina forskningsfärdigheter och engagera sig i forskningsfronter inom generativ AI.

 

Vetenskapliga artiklar och forskningspublikationer som täcker både grundläggande arbete och den aktuella forskningsfronten inom generativ modellering, datorseende och maskininlärning.

FMA355F

2026-01-15

/Jonas Johansson