Opis projektu
Uczenie głębokie, które stale się rozwija
Technologia uczenia głębokiego zmienia nasze życia, umożliwiając wykorzystanie danych zgodnie ze standardowym paradygmatem uczenia maszynowego i rozwijania tej koncepcji. Zakłada się, że dane wykorzystywane do uczenia systemów są niezmienne i reprezentatywne dla zestawów, które będą analizowane podczas wdrażania systemu. Dlatego zestawy danych zmienne w czasie powodują takie komplikacje. Aby można było je stosować, potrzebujemy nowych metod uczenia głębokiego. Tylko to pozwoli na stałą aktualizację modeli w oparciu o bieżący strumień dostępnych danych. Zespół finansowanego przez UE projektu KeepOnLearning zajmuje się tym ambitnym zadaniem, prowadząc badania podstawowe, które mają umożliwić przezwyciężenie kluczowych ograniczeń obecnego paradygmatu uczenia maszynowego. Wykorzystując istniejącą wiedzę specjalistyczną, badacze zaprojektują systemy uczenia maszynowego, które stale uczą się i systematycznie poprawiają swoje umiejętności, zawsze pozostając na bieżąco z dostępnymi danymi.
Cel
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.
Słowa kluczowe
Słowa kluczowe dotyczące projektu wybrane przez koordynatora projektu. Nie należy mylić ich z pojęciami z taksonomii EuroSciVoc dotyczącymi dziedzin nauki.
Słowa kluczowe dotyczące projektu wybrane przez koordynatora projektu. Nie należy mylić ich z pojęciami z taksonomii EuroSciVoc dotyczącymi dziedzin nauki.
Program(-y)
Wieloletnie programy finansowania, które określają priorytety Unii Europejskiej w obszarach badań naukowych i innowacji.
Wieloletnie programy finansowania, które określają priorytety Unii Europejskiej w obszarach badań naukowych i innowacji.
-
H2020-EU.1.1. - EXCELLENT SCIENCE - European Research Council (ERC)
GŁÓWNY PROGRAM
Wyświetl wszystkie projekty finansowane w ramach tego programu
Temat(-y)
Zaproszenia do składania wniosków dzielą się na tematy. Każdy temat określa wybrany obszar lub wybrane zagadnienie, których powinny dotyczyć wnioski składane przez wnioskodawców. Opis tematu obejmuje jego szczegółowy zakres i oczekiwane oddziaływanie finansowanego projektu.
Zaproszenia do składania wniosków dzielą się na tematy. Każdy temat określa wybrany obszar lub wybrane zagadnienie, których powinny dotyczyć wnioski składane przez wnioskodawców. Opis tematu obejmuje jego szczegółowy zakres i oczekiwane oddziaływanie finansowanego projektu.
System finansowania
Program finansowania (lub „rodzaj działania”) realizowany w ramach programu o wspólnych cechach. Określa zakres finansowania, stawkę zwrotu kosztów, szczegółowe kryteria oceny kwalifikowalności kosztów w celu ich finansowania oraz stosowanie uproszczonych form rozliczania kosztów, takich jak rozliczanie ryczałtowe.
Program finansowania (lub „rodzaj działania”) realizowany w ramach programu o wspólnych cechach. Określa zakres finansowania, stawkę zwrotu kosztów, szczegółowe kryteria oceny kwalifikowalności kosztów w celu ich finansowania oraz stosowanie uproszczonych form rozliczania kosztów, takich jak rozliczanie ryczałtowe.
ERC-ADG - Advanced Grant
Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania
Zaproszenie do składania wniosków
Procedura zapraszania wnioskodawców do składania wniosków projektowych w celu uzyskania finansowania ze środków Unii Europejskiej.
Procedura zapraszania wnioskodawców do składania wniosków projektowych w celu uzyskania finansowania ze środków Unii Europejskiej.
(odnośnik otworzy się w nowym oknie) ERC-2020-ADG
Wyświetl wszystkie projekty finansowane w ramach tego zaproszeniaInstytucja przyjmująca
Kwota netto dofinansowania ze środków Unii Europejskiej. Suma środków otrzymanych przez uczestnika, pomniejszona o kwotę unijnego dofinansowania przekazanego powiązanym podmiotom zewnętrznym. Uwzględnia podział unijnego dofinansowania pomiędzy bezpośrednich beneficjentów projektu i pozostałych uczestników, w tym podmioty zewnętrzne.
3000 LEUVEN
Belgia
Ogół kosztów poniesionych przez organizację w związku z uczestnictwem w projekcie. Obejmuje koszty bezpośrednie i pośrednie. Kwota stanowi część całkowitego budżetu projektu.