Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Beyond solving static datasets: Deep learning from streaming data

Projektbeschreibung

Deep Learning, das sich ständig selbst aktualisiert

Deep-Learning-Technologie verändert unser Leben, denn sie nutzt Daten nach dem Standardparadigma des maschinellen Lernens und baut auf diesen auf. Die Trainingsdaten gelten als stationär und repräsentativ für jene Daten, die während des Einsatzes des Systems anfallen werden. Verändern sich die Datenverteilungen im Lauf der Zeit, treten unweigerlich Komplikationen auf. Daher werden neue Deep-Learning-Methoden benötigt, um die Modelle auf der Basis des aktuell verfügbaren Datenstroms ständig aktualisieren zu können. Das EU-finanzierte Projekt KeepOnLearning verfolgt dieses ehrgeizige Ziel durch Grundlagenforschung, denn es gilt, die wesentlichen Einschränkungen des gegenwärtigen Paradigmas des maschinellen Lernens zu überwinden. Das Projekt wird auf vorhandenes Fachwissen zurückgreifen und Maschinenlernsysteme entwickeln, die kontinuierlich lernen und ihre Fähigkeiten systematisch verbessern, um stets auf dem neuesten Stand zu bleiben.

Ziel

Data is key for modern AI solutions, especially deep learning. Unfortunately, the data-driven nature of deep learning that makes it so powerful when dealing with complex and high-dimensional data, is also at the core of its main weakness: a model is only as good as the data it builds on. In this project, we want to tackle some strong limitations inherent to the standard machine learning paradigm, which makes restrictive assumptions that are problematic in many real-world (“in the wild”) conditions. By addressing these, we want to make a fundamental step towards more powerful deep learning systems that can learn continuously and know how to adapt as new data becomes available, in the context of computer vision.

Traditional deep learning relies on the training data being representative for data encountered during system deployment. This is perfect when working with stationary datasets. Yet in practice, data distributions are often non-stationary, i.e. they change over time. This can have a multitude of reasons – think of social trends, seasonal or geographic variations. This calls for a new generation of deep learning methods, able to adapt to new conditions by continuously updating the models based on new training data becoming available. Learning from non-stationary streaming data is, however, still a major challenge requiring fundamental research. In this project, we build on our earlier expertise in continual learning, to realize this ambitious goal.

If successful, this will lead to machine learning systems that keep on learning over time, systematically improving their skills and never getting outdated. It also may lower the threshold for applying machine learning, as it reduces the need for a skilled data scientist carefully preparing the data beforehand. As a practical application, we plan to showcase our work’s feasibility, scalability and flexibility in the context of automatic generation of audio descriptions of videos for the visually impaired.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

ERC-ADG - Advanced Grant

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2020-ADG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

KATHOLIEKE UNIVERSITEIT LEUVEN
Netto-EU-Beitrag
€ 2 499 065,00
Adresse
OUDE MARKT 13
3000 Leuven
Belgien
Region
Vlaams Gewest Prov. Vlaams-Brabant Arr. Leuven
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 2 499 065,00

Begünstigte (1)