Fecha: 9 de diciembre de 2020 a las 2pm de México (GMT-6).
Por favor llena este formato para que te enviemos el link de Zoom para asistir a las charlas.
Expositores:
Angela Ortega. Cursó la Licenciatura de Matemáticas en la Universidad Autónoma de Nuevo León antes de ingresar a la Maestría en Matemáticas del CIMAT en 1996. Obtuvo el D.E.A. (Diplôme d’Études Approfondies) en la Universidad de Paris IX y el doctorado en la Universidad de Nice en 2003 bajo la dirección de Arnaud Beauville. Realizó un postdoctorado en el Centro de Ciencias Matématicas de la UNAM (Morelia) y otro en la Universidad de Essen. Desde 2009 trabaja en la Universidad Humboldt de Berlín y desde 2014 como Investigador Permanente en esta universidad. Su área de investigación es la geometría algebraica con intereses en variedades abelianas, variedades de Prym, espacios moduli de haces vectoriales y teoría de Brill Noether.
Título. Teorema de Prym-Torelli para cubrientes dobles ramificados.
Resumen. El teorema clásico de Torelli establece que la aplicación que a cada curva algebraica proyectiva lisa le asocia su variedad Jacobiana es inyectiva. Dicho de otro modo, uno puede recuperar la curva a partir de la Jacobiana y su divisor Theta. La aplicación de Prym generaliza esta construcción al asociar a cada cubriente finito entre curvas una variedad abeliana polarizada. En esta charla mostraremos que en el caso de cubrientes dobles ramificados la aplicación de Prym es inyectiva, siempre que las dimensiones de los espacios de salida y llegada lo permitan. Este resultado es inesperado ya que contrasta con la
situación para cubrientes dobles étales donde la aplicación es genéricamente inyectiva pero nunca inyectiva. Este es un trabajo conjunto con J.C. Naranjo.
Benjamín Sánchez-Lengeling. Soy científico investigador en Google Research, en el equipo de Brain. Mi investigación se centra en el uso de inteligencia artificial (IA) para construir modelos basados en datos para resolver problemas químicos con aplicaciones en células solares, solubilidad, diseño de fármacos y olfacción. También me apasiona la educación y divulgación de la ciencia, soy uno de los fundadores y organizadores de Clubes de Ciencia México y una conferencia de IA centrada en LatinX RIIAA. En mi tiempo libre, me gusta correr, comer helado y cocinar. Hice mi doctorado en Química con un campo secundario en Computación Aplicada en Harvard, maestría Erasmus Mundus en Química teórica y licenciatura en Matemáticas y Computación de la Universidad de Guanajuato (DEMAT!).
Título. ¿Qué está aprendiendo este algoritmo? Evaluando atribuciones con graph neural networks.
Resumen. La interpretabilidad de modelos es fundamental para el descubrimiento científico, la comprensión y la depuración. La atribución es una herramienta dentro del campo de la interpretabilidad. Una técnica de atribución destaca partes de la entrada que influyen en la predicción de un modelo. Los grafos y Graph Neural Networks (GNNs) pueden servir como un espacio para estudiar cuantitativamente las atribuciones en el contexto de grafos. En esta plática veremos una introducción a estas técnicas y algunos experimentos que nos dan una perspectiva cuantitativa de lo que modelos están aprendiendo cuando los entrenamos con datos.
¡Nos vemos!