Descrizione del progetto
Un apprendimento profondo che si aggiorna costantemente
Le tecnologie di apprendimento profondo stanno cambiando la nostra vita utilizzando i dati in base al paradigma convenzionale di apprendimento automatico e sviluppandoli. I dati di addestramento sono pensati per essere stabili e rappresentativi dei dati che verranno visualizzati nel corso dell’implementazione del sistema, motivo per cui possono nascere delle complicazioni quando si verificano dei cambiamenti nelle distribuzioni dei dati nel corso del tempo. Alla luce di tali premesse, è necessario che i metodi di apprendimento profondo consentano di aggiornare costantemente i modelli sulla base dell’attuale flusso di dati a disposizione. Il progetto KeepOnLearning, finanziato dall’UE, punta a raggiungere questo ambizioso obiettivo attraverso una ricerca fondamentale volta a superare le limitazioni cruciali che ostacolano l’attuale paradigma di apprendimento automatico. Avvalendosi delle competenze esistenti, il progetto elaborerà sistemi di apprendimento automatico che apprendono in modo continuativo e migliorano sistematicamente le proprie capacità, mantenendosi sempre aggiornati.
Obiettivo
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.
Parole chiave
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Parole chiave del progetto, indicate dal coordinatore del progetto. Da non confondere con la tassonomia EuroSciVoc (campo scientifico).
Programma(i)
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
Programmi di finanziamento pluriennali che definiscono le priorità dell’UE in materia di ricerca e innovazione.
-
H2020-EU.1.1. - EXCELLENT SCIENCE - European Research Council (ERC)
PROGRAMMA PRINCIPALE
Vedi tutti i progetti finanziati nell’ambito di questo programma
Argomento(i)
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Gli inviti a presentare proposte sono suddivisi per argomenti. Un argomento definisce un’area o un tema specifico per il quale i candidati possono presentare proposte. La descrizione di un argomento comprende il suo ambito specifico e l’impatto previsto del progetto finanziato.
Meccanismo di finanziamento
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
Meccanismo di finanziamento (o «Tipo di azione») all’interno di un programma con caratteristiche comuni. Specifica: l’ambito di ciò che viene finanziato; il tasso di rimborso; i criteri di valutazione specifici per qualificarsi per il finanziamento; l’uso di forme semplificate di costi come gli importi forfettari.
ERC-ADG - Advanced Grant
Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento
Invito a presentare proposte
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
Procedura per invitare i candidati a presentare proposte di progetti, con l’obiettivo di ricevere finanziamenti dall’UE.
(si apre in una nuova finestra) ERC-2020-ADG
Vedi tutti i progetti finanziati nell’ambito del bandoIstituzione ospitante
Contributo finanziario netto dell’UE. La somma di denaro che il partecipante riceve, decurtata dal contributo dell’UE alla terza parte collegata. Tiene conto della distribuzione del contributo finanziario dell’UE tra i beneficiari diretti del progetto e altri tipi di partecipanti, come i partecipanti terzi.
3000 LEUVEN
Belgio
I costi totali sostenuti dall’organizzazione per partecipare al progetto, compresi i costi diretti e indiretti. Questo importo è un sottoinsieme del bilancio complessivo del progetto.