Descrizione del progetto
Estendere l’apprendimento profondo al meta-livello
L’apprendimento profondo è un sottoinsieme dell’apprendimento automatico che insegna ai computer a trarre conclusioni come un essere umano attraverso la continua analisi dei dati. Questo campo ha condotto a notevoli progressi nella visione artificiale, nel riconoscimento vocale, nell’elaborazione del linguaggio naturale e nell’apprendimento per rinforzo. Il progetto DeepLearning 2.0 finanziato dall’UE, si prefigge di portare l’apprendimento automatico al livello successivo, proponendo metodi di apprendimento di meta-livello che migliorino i risultati e le prestazioni degli algoritmi di apprendimento. I nuovi metodi contribuiranno alla creazione di canali personalizzati e innovativi di apprendimento profondo senza elementi manuali, che si dimostreranno più accurati, semplici da utilizzare e con tempi di addestramento inferiori. Con l’obiettivo di dimostrare la fattibilità dei metodi proposti, i ricercatori applicheranno i nuovi canali personalizzati di apprendimento profondo alla decodifica dell’elettroencefalografia e al ripiegamento dell’RNA.
Obiettivo
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.
Campo scientifico
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Meccanismo di finanziamento
HORIZON-AG - HORIZON Action Grant Budget-BasedIstituzione ospitante
79098 Freiburg
Germania