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.
Schlüsselbegriffe
Schlüsselbegriffe des Projekts, wie vom Projektkoordinator angegeben. Nicht zu verwechseln mit der EuroSciVoc-Taxonomie (Wissenschaftliches Gebiet).
Schlüsselbegriffe des Projekts, wie vom Projektkoordinator angegeben. Nicht zu verwechseln mit der EuroSciVoc-Taxonomie (Wissenschaftliches Gebiet).
Programm/Programme
Mehrjährige Finanzierungsprogramme, in denen die Prioritäten der EU für Forschung und Innovation festgelegt sind.
Mehrjährige Finanzierungsprogramme, in denen die Prioritäten der EU für Forschung und Innovation festgelegt sind.
-
H2020-EU.1.1. - EXCELLENT SCIENCE - European Research Council (ERC)
HAUPTPROGRAMM
Alle im Rahmen dieses Programms finanzierten Projekte anzeigen
Thema/Themen
Aufforderungen zur Einreichung von Vorschlägen sind nach Themen gegliedert. Ein Thema definiert einen bestimmten Bereich oder ein Gebiet, zu dem Vorschläge eingereicht werden können. Die Beschreibung eines Themas umfasst seinen spezifischen Umfang und die erwarteten Auswirkungen des finanzierten Projekts.
Aufforderungen zur Einreichung von Vorschlägen sind nach Themen gegliedert. Ein Thema definiert einen bestimmten Bereich oder ein Gebiet, zu dem Vorschläge eingereicht werden können. Die Beschreibung eines Themas umfasst seinen spezifischen Umfang und die erwarteten Auswirkungen des finanzierten Projekts.
Finanzierungsplan
Finanzierungsregelung (oder „Art der Maßnahme“) innerhalb eines Programms mit gemeinsamen Merkmalen. Sieht folgendes vor: den Umfang der finanzierten Maßnahmen, den Erstattungssatz, spezifische Bewertungskriterien für die Finanzierung und die Verwendung vereinfachter Kostenformen wie Pauschalbeträge.
Finanzierungsregelung (oder „Art der Maßnahme“) innerhalb eines Programms mit gemeinsamen Merkmalen. Sieht folgendes vor: den Umfang der finanzierten Maßnahmen, den Erstattungssatz, spezifische Bewertungskriterien für die Finanzierung und die Verwendung vereinfachter Kostenformen wie Pauschalbeträge.
ERC-ADG - Advanced Grant
Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen
Aufforderung zur Vorschlagseinreichung
Verfahren zur Aufforderung zur Einreichung von Projektvorschlägen mit dem Ziel, eine EU-Finanzierung zu erhalten.
Verfahren zur Aufforderung zur Einreichung von Projektvorschlägen mit dem Ziel, eine EU-Finanzierung zu erhalten.
(öffnet in neuem Fenster) ERC-2020-ADG
Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigenGastgebende Einrichtung
Finanzieller Nettobeitrag der EU. Der Geldbetrag, den der Beteiligte erhält, abzüglich des EU-Beitrags an mit ihm verbundene Dritte. Berücksichtigt die Aufteilung des EU-Finanzbeitrags zwischen den direkten Begünstigten des Projekts und anderen Arten von Beteiligten, wie z. B. Dritten.
3000 LEUVEN
Belgien
Die Gesamtkosten, die dieser Organisation durch die Beteiligung am Projekt entstanden sind, einschließlich der direkten und indirekten Kosten. Dieser Betrag ist Teil des Gesamtbudgets des Projekts.