Oportunidades Públicas

Fecha de Creación	Descripción	Mentor(es)	Acciones
05/06/2025	Referencias: • Nesterov, Y., Spokoiny, V. Random Gradient-Free Minimization of Convex Functions. Found Comput Math 17, 527–566 (2017) • Diakonikolas J., Guzmán C.: Optimization on a Finer Scale: Bounded Local Subgradient Variation Perspective. ArXiv:2403.16317 (2024) Keywords: Optimización convexa Prerequisites: IMT3150 Available vacancies: 1/1 Class Code Initials: IMT This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Análisis e Implementación de un Método de Suavización Aleatorizada para Optimización Convexa Estocástica Este proyecto busca investigar teórica y computacionalmente la técnica de suavización aleatorizada ({\em randomized smoothing}) en optimización estocástica en altas dimensiones. Se explorarán casos específicos, tales como modelos intrinsecamente de baja dimensión, o redes neuronales de una capa oculta. Los objetivos del proyecto son múltiples. El principal es determinar cotas precisas en las tasas de convergencia en estas estructuras particulares de funciones objetivo, y determinar a partir de estas tasas el mejor diseño de arquitectura y elección de parámetros para los algoritmos. Sin embargo, otro aspecto importante es la comparación en el desempeño de los algoritmos usando información de primer orden (gradientes) versus de orden cero (evaluaciones). En este último caso es de interés estudiar modelos locales para métodos de región de confianza ({\em trust region}). Finalmente, es de interés estudiar el efecto de la elección de la distribución en la regularidad de la función suavizada Keywords: Optimización convexa Prerrequisitos: IMT3150 Vacantes disponibles: 1/1 Siglas iniciales: IMT Tiene un método de evaluación Nota 1-7, con 10 créditos	Carlos Alberto Sing-long Collao Cristóbal Andrés Guzmán Paredes	Ver
18/07/2025	Automatic detection of audio signatures in underwater acoustic scenes Marine ecosystems can be studied through recordings of underwater acoustic scenes using hydrophones. The objective of this project is to develop and to implement efficient methods for the detection of acoustic signatures of distinct fish species living in these ecosystems. This problem is part of an interdisciplinary collaboration with marine biologists which poses interesting computational challenges. This is due to the length of the audio recordings, the reduced number of acoustic signatures, and the low signal to noise ratio due to the diversity of the acoustic scene. From a mathematical perspective, the detection is formulated similarly to blind deconvolution. The signal is modeled as a superposition of a few components modulated in frequency and corrupted by additive noise. To identify these components, we avoid a black-box approach, solving instead a semidefinite program. The computational challenge involves developing efficient solvers able to scale up to long audio recordings with low signal to noise ratio. Keywords: análisis de fourier análisis de señales Optimización convexa Prerequisites: No prerequisites Available vacancies: 3/4 Class Code Initials: IMT This opportunity uses a Nota 1-7 evaluation method and is worth 10 credits Detección automática de firmas de audio en grabaciones de paisajes acústicos submarinos Hoy en día es posible estudiar los ecosistemas marinos a través de grabaciones de paisajes acústicos usando hidrófonos. El objetivo de este proyecto es desarrollar e implementar métodos eficientes para la detección de firmas acústicas de distintas especies de peces en estos ecosistemas. Este problema se enmarca en una colaboración interdisciplinaria con biólogos marinos que plantea un importante desafío computacional. Esto se debe la larga duración de las grabaciones, el número reducido de firmas acústicas, y a la baja razón señal a ruido producto de la diversidad acústica del ambiente marino. Desde una perspectiva matemática, la detección se formula como un problema similar a la deconvolución a ciegas. La señal se modela como una superposición de pocas componentes moduladas en frecuencia y corruptas por ruido aditivo. Para identificar estas componentes, se plantea un problema de optimización convexa de tipo semidefinido positivo, evitando así un enfoque tipo caja negra. El desafío computacional involucra diseñar métodos eficientes de resolución, capaces de escalar a audios de larga duración y baja razón señal a ruido. Keywords: análisis de fourier análisis de señales Optimización convexa Prerrequisitos: Sin prerrequisitos Vacantes disponibles: 3/4 Siglas iniciales: IMT Tiene un método de evaluación Nota 1-7, con 10 créditos	Carlos Alberto Sing-long Collao	Ver