Александр Коротин является старшим преподавателем и возглавляет исследовательскую группу по Генеративному ИИ в Центре ИИ Сколтеха. Основным направлением его исследований является разработка масштабируемых и теоретически обоснованных методов построения генеративных моделей данных. Он исследует существующие и предлагает новые генеративные модели на основе теории оптимального транспорта и мостов Шрёдингера, которые тесно связаны с популярными моделями на основе диффузий. Результаты этих исследований регулярно публикуются в трудах лучших конференций и в журналах по машинному обучению и искусственному интеллекту. С 2020 года представлено 23 статьи на конференциях A* (ICLR, NeurIPS, ICML) и опубликовано несколько статей в журналах Q1 (Neurocomputing, Pattern recognition).

Исследования Александра Коротина были высоко оценены профессиональным сообществом. Александр является лауреатом научной премии Сбера (2024) и национальной премии "Лидеры ИИ" (2023) за научные результаты в области ИИ. Также Александру трижды (в 2019, 2021 и 2024 годах) была присуждена Yandex ML Prize за передовые исследования в области машинного обучения и искусственного интеллекта. Самые заметные работы Александра - "Wasserstein-2 Generative Networks" (ICLR 2021), "Neural Optimal Transport" (ICLR 2023 Spotlight, Top 25%), и "Entropic Neural Optimal Transport via Diffusion Processes" (NeurIPS 2023 Oral, Top 3%), "Light Schrodinger Bridge" (ICLR 2024) и "Adversarial Schrodinger Bridge Matching" (NeurIPS 2024).

В 2018 году Александр закончил обучение в Высшей школе экономики, где изучал математику (бакалавриат) и затем компьютерные науки (магистратура). Параллельно он закончил Школу анализа данных "Яндекса". Еще студентом Александр активно участвовал в исследовательских стажировках в Yandex Research, IITP RAS, Сколтехе и Высшей школе экономики. В 2018 году он поступил в аспирантуру по информатике в Сколтехе под руководством профессора Евгения Бурнаева. В 2022 году успешно закончил аспирантуру и в 2023 году защитил диссертацию на тему "Параметрические методы вычисления оптимальных транспортных отображений, расстояний и барицентров" в ФИЦ ИУ РАН. Его текущие исследования являются логическим продолжением его диссертационных исследований.

В Сколтехе Александр руководит научной работой нескольких аспирантов и магистрантов. Под его руководством студенты занимаются фундаментальными исследованиями в области оптимального транспорта (разрабатывают новые методы генеративного моделирования и выводят теоретические гарантии для них) и применяют генеративные модели для решения реальных практических задач, включая перевод стиля изображений, увеличение разрешения, заполнение пропусков, перенос стиля голоса и другие.

Недавним прикладным проектом, осуществленным Александром и его группой в Центре прикладного ИИ, является разработка нейросетевых моделей для увеличения разрешения метеокарт (полученных с климатической модели) с использованием оптимального транспорта. Планируется использовать эти модели в качестве части систем прогнозирования лесных пожаров в России.

Кроме того, Александр активно участвует в образовательных мероприятиях, читает лекции и мини-курсы по генеративным моделям оптимального транспорта. Например, Александр выступал с докладами на Летней школе машинного обучения Сколтеха (SMILES-2023, 2024) и летних школах AIRI по искусственному интеллекту (2022, 2023), студкемпе Яндекса (2024) и др. научно-образовательных мероприятиях.

Избранные публикации (полный список можно найти в резюме или профиле Google Scholar). Статья [1] была принята в качестве устного доклада (топ-3%) на конференцию NeurIPS 2023. Статья [2] получила статус Spotlight (топ-25%) на конференции ICLR 2023 и является единственной статьей из России, выделенной как Spotlight.

[1] Gushchin, N., Kolesov, A., Korotin, A., Vetrov, D., & Burnaev, E. (2023). Entropic neural optimal transport via diffusion processes. In Thirty-seventh Conference on Neural Information Processing Systems.

[2] Korotin, A., Selikhanovych, D., & Burnaev, E. (2023). Neural Optimal Transport. In The Eleventh International Conference on Learning Representations.

[3] Korotin, A., Egiazarian, V., Asadulaev, A., Safin, A., & Burnaev, E. (2021). Wasserstein-2 Generative Networks. In International Conference on Learning Representations.

[4] Korotin, A., Gushchin, N., & Burnaev, E. Light Schrödinger Bridge. In The Twelfth International Conference on Learning Representations.

[5] Gushchin, N., Selikhanovych, D., Kholkin, S., Burnaev, E., & Korotin, A. (2024). Adversarial Schr\" odinger Bridge Matching. In Thirty-eighth Conference on Neural Information Processing Systems.

Ссылки: резюме - ссылка, GitHub: ссылка, Google Scholar: ссылка, вебсайт: ссылка