MISANU

PROGRAM

Predavanja možete pratiti i online putem MITEAM stranice Seminara iz veštačke inteligencije:
https://miteam.mi.sanu.ac.rs/asset/DPP9i2jhvYzp8dmRe

Plan rada Seminara iz veštačke inteligencije za OKTOBAR 2026.

Sreda, 07.10.2026. u 19:00, Online
Dragan Jočić, Matematički institut SANU
AGREGACIJA FAZI VEKTORSKIH POTPROSTORA
Proces objedinjavanja i sjedinjavanja više vrednosti u jednu reprezentativnu je agregacija, a za matematičku funkciju koja obavlja ovaj proces i poseduje još dva dodatna uslova kažemo da je operator agregacije. Upravo, ovako jednostavna priroda ovih funkcija omogućava njihovu primenu u velikom broju disciplina, od matematike i prirodnih nauka do ekonomije i društvenih nauka. Domen ovih funkcija zavisi od prirode vrednosti koje treba objediniti, kao i od okvira u kome se agregacija obavlja. Najčešće su to realni intervali, ali operatori agregacije se definišu i na drugim domenima kao što su konačni lanci, mreže, rešetke, ograničeni parcijalno uređeni skupovi, intervalno-vrednosni okviri i slično. Poslednjih godina velika pažnja se poklanja povezivanju operatora agregacije i fazi skupova u cilju modeliranja problema iz svakodnevog života u kojima je često prisutna nepreciznost i neodređenost. Pitanje koje se ovde prirodno nameće je da ako ulazni podaci imaju specifičnu strukturu pod kojim uslovima se ta struktura čuva prilikom agregacije. U ovom kontekstu očuvanje različitih fazi struktura kao što su T-podgrupe, fazi implikacije, operatori T-nerazlučivosti, fazi relacije, fazi kvazi-metrike fazi vektorski potprostori i slično je postalo značajna oblast istraživanja.
Ovo predavanje je posvećeno agregaciji fazi vektorskih potprostora koji proširuju koncept potprostora vektorskog prostora na fazi okruženje. U tom cilju predstavićemo neke poznate rezultate u vezi agregacije ovih struktura, i dati nove koji u potpunosti rešavaju problem agregacije fazi vektorskih potprostora.

Sreda, 14.10.2026. u 19:00, Online
Alina Vozna, Department of Computer Science, University of Pisa, Italy; DISIM - University of L'Aquila, Italy
HYBRID SYMBOLIC AI FOR DIGITAL HEALTH: INTEGRATING ANSWER SET PROGRAMMING AND DESCRIPTION LOGICS
Modern AI systems are increasingly expected not only to produce accurate predictions, but also to reason with structured knowledge, satisfy explicit constraints, and provide transparent explanations. Symbolic AI offers powerful tools for these tasks, particularly through Answer Set Programming (ASP) for non-monotonic reasoning and Description Logics (DLs) for ontology-based knowledge representation. This seminar explores how these two paradigms can be combined in practice. After introducing the main ideas behind ASP, ontologies, and Description Logic reasoning, we will present clingowl, an extension of clingo that enables OWL ontology queries to be embedded directly within ASP programs through dedicated theory atoms. We will discuss its language, architecture, implementation based on Clingo's AST, OWLAPY, and external DL reasoners, as well as examples based on family knowledge and SNOMED CT. The seminar will also address the challenges of integrating open-world ontology reasoning with non-monotonic ASP semantics, compare different architectural choices, and discuss current limitations and future directions towards a more general framework for ASP modulo Description Logic theories.

Sreda, 21.10.2026. u 19:00, Online
Mihailo Ilić, Department of Mathematics and Informatics, Faculty of Science, University of Novi Sad
ROBUSTNESS IN FEDERATED LEARNING: STRATEGIES FOR COLD STARTS, GRAPH-BASED SPARSITY, AND REPRESENTATION AGGREGATION
Federated Learning (FL) is a modern distributed machine learning paradigm where clients train local models on their own data and send them to a central server for aggregation. Clients can range from small edge devices and mobile phones to large-scale server infrastructures. While this approach significantly enhances privacy and reduces communication overhead, it also opens up numerous research questions, from communication efficiency and personalization to tackling diverse data distributions collected across different locations. This talk focuses on one of the most critical challenges in FL: maintaining federated model robustness. Robustness can be viewed through various lenses, and this presentation will highlight a few of them by offering solutions grounded in concrete examples and research findings. First is the "cold start" problem, i.e., the challenge of training high-quality models during the early stages of data collection. Next, the talk will cover model training and communication under resource-constrained conditions, demonstrating how smaller yet equally effective models can be obtained using Watts-Strogatz (WS) networks, an approach that optimizes training and communication compared to standard techniques like model pruning. Finally, we will dive into federated representation learning, where newly proposed aggregation techniques paired with attention-based neural network architectures enable significantly better generalization in outlier detection scenarios.

Sreda, 28.10.2026. u 19:00, Online
Nataša Krklec Jerinkić, Departman za matematiku i informatiku, Prirodno-matematički fakultet, Univerzitet u Novom Sadu
METODI STOHASTIČKOG GRADIJENTA U PROBLEMIMA MAŠINSKOG UČENJA
Problemi mašinskog učenja često podrazumevaju probleme optimizacije u okviru kojih se određuju optimalni parametri modela. Bilo da su u pitanju eksplanatorni i jednostavni modeli linearne regresije ili komplikovane neuronske mreže, određivanje parametara modela obično dovodi do potrebe za minimizacijom konačnih suma. Pojedinačne funkcije koje konstituišu konačne sume imaju različite forme u zavisnosti od primene, ali mahom predstavljaju grešku modela, tj. odstupanje predviđenih od stvarnih vrednosti izlaznih veličina koje se modeluju. Svaka pojedinačna funkcija odgovara jednom podatku ili grupi podataka iz takozvanog trening skupa. Stoga je broj pojedinačnih funkcija izuzetno velik u dominantnom broju realnih problema.
Klasični metodi numeričke optimizacije podrazumevaju evaluaciju gradijenata funkcije cilja. Kako je to zbog veličine skupa podataka skupo ili pak nemoguće u nekim slučajevima, aproksimacije funkcije cilja i/ili njenog gradijenta postale su neophodne u ovakvim problemima. Posmatrajući konačne sume kroz prizmu matematičkog očekivanja, došlo se do stohastičkih metoda u kojima se aproksimacije formiraju tako što se u svakoj iteraciji optimizacionog procesa na slučajan način biraju poduzorci skupa podataka, odnosno nekoliko pojedinačnih funkcija. Takav pristup značajno komplikuje analizu konvergencije, koja je izuzetno važna i sa praktičnog aspekta, jer detektuje klase problema i uslove pod kojima je primena ovakvih metoda pouzdana.
Predavanje će se fokusirati na neke od savremenih pristupa pomenutim problemima koji podrazumevaju metode stohastičkih gradijenata, uz usputni osvrt na njihove glavne teorijske karakteristike i praktične primene.

Ovaj onlajn seminar nastao je kao nastavak sastanka "Serbian AI Meeting" i zamišljen je da na njemu istraživači iz Srbije i iz dijaspore, kao i istraživači sa univerzteta, naučnih instituta i iz prakse predstavljaju naučne teme i rezultate iz oblasti veštačke inteligencije.
Link za svako pojedinačno predavanje biće dostavljen dan pre održavanja predavanja.

Andreja Tepavčević
Rukovodilac seminara

Biljana Stojanović
Sekretar seminara