Description du projet
Étendre l’apprentissage profond jusqu’au niveau méta
L’apprentissage profond est un sous-ensemble de l’apprentissage automatique qui apprend aux ordinateurs à tirer des conclusions, comme le feraient les humains, en analysant des données de manière continue. Ce domaine a permis d’accomplir des progrès remarquables en matière de vision par ordinateur, de reconnaissance vocale, de traitement du langage naturel et d’apprentissage par renforcement. Le projet DeepLearning 2.0 financé par l’UE, entend faire passer l’apprentissage profond au niveau supérieur. Il proposera des méthodes d’apprentissage de niveau méta qui améliorent les résultats et les performances des algorithmes d’apprentissage. Ces nouvelles méthodes permettront de créer de nouveaux pipelines d’apprentissage profond personnalisés, sans éléments intégrés manuellement, qui seront plus précis, plus simples à utiliser et dont l’entraînement prendra moins de temps. Pour démontrer la viabilité des méthodes proposées, les chercheurs implémenteront les nouveaux pipelines d’apprentissage profond personnalisés dans le décryptage des électroencéphalogrammes et le pliage de l’ARN.
Objectif
Deep learning has revolutionized many fields, such as computer vision, speech recognition, natural language processing, and reinforcement learning. This success is based on replacing domain-specific hand-crafted features with features that are learned for the particular task at hand. The logical step to take deep learning to the next level is to also (meta-)learn other hand-crafted elements of the deep learning pipeline. We therefore propose to develop meta-level learning methods for the creation of novel customized deep learning pipelines, by means of:
1. Hierarchical neural architecture searchfor learning qualitatively new architectures and architectural building blocks from scratch;
2. Learning of optimizers and hyperparameter adaptation policies that adapt totheir context in order to converge faster and more robustly;
3. Learning the data to train on, to remove the need for large sets of labelled data; and
4. Bootstrapping from prior design efforts to increase efficiency and make an integrative design of architectures, optimizers, hyperparameter adaptation policies, and pretraining tasks feasible in practice.
These advances will allow the next generation of deep learning pipelines to achieve higher accuracy, lower training time, and improved ease-of-use (democratization of deeplearning). They will also allow a customization to particular design contexts, including additional objectives next to accuracy (such as robustness, memory requirements, energy consumption, latency, interpretability, training cost, uncertainty estimation, and algorithmic fairness) in order to facilitate trustworthy AI. In order to demonstrate the effectiveness of these methods, we plan to develop:
5. New state-of-the-art customized deep learning pipelines for various applications, including EEG decoding, RNA folding, and improving the reinforcement learning pipeline and deep learning on tabular data.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
La classification de ce projet a été validée par l'équipe qui en a la charge.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
La classification de ce projet a été validée par l'équipe qui en a la charge.
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
HORIZON.1.1 - European Research Council (ERC)
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
HORIZON-ERC - HORIZON ERC Grants
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) ERC-2021-COG
Voir tous les projets financés au titre de cet appelInstitution d’accueil
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
79098 Freiburg
Allemagne
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.