Wielozadaniowe uczenie maszyn
Nauczanie maszynowe to dziedzina badań programów komputerowych, które umożliwiają komputerom (lub maszynom) uczenie się oraz poprawę wydajności. Jest to podejście w zakresie sztucznej inteligencji, stosowane szeroko do klasyfikacji rekordów danych w odrębnych kategoriach lub etykietach. Jednakże w wielu zadaniach decyzje odnośnie etykietowania są wzajemnie powiązane i muszą być podejmowane jednocześnie. Takie złożone zadania zwane są przewidywaniami strukturyzowanymi. W bieżących metodach obsługi takich złożonych zadań występują problemy, takie jak propagacja błędów. Celem finansowanego przez UE projektu Jointstructuredpred było przezwyciężenie tych ograniczeń. W ramach projektu zaproponowano metodę obsługi złożonych zadań, obejmujących łączne uczenie zadań podrzędnych z wykorzystaniem wielozadaniowych technik uczenia. W celu porównania nowego podejścia z aktualnym opracowano oprogramowanie dla obu metod przewidywania strukturyzowanego. Ocena obu metod z zastosowaniem typowych problemów w biologii obliczeniowej wykazała, że zaproponowana metoda przewyższa metodę aktualną poprzez znaczną poprawę dokładności przewidywań. Podobne, choć już nie tak wyraziste wyniki uzyskano, gdy porównanie przeprowadzono z użyciem typowych aplikacji w przetwarzaniu języka naturalnego. Przetwarzanie języka naturalnego to komputerowe podejście do przetwarzania ludzkiego języka pod kątem znaczenia, tymczasem biologia obliczeniowa łączy informatykę z biologią molekularną. Wyniki projektu pokazują, że zaproponowane rozwiązanie może być zastosowane do poprawy wyników w zakresie wielu problemów przewidywania w szerokiej gamie dyscyplin, w tym w biologii, medycynie, językoznawstwie i przetwarzaniu sygnałów.