Projektbeschreibung
Trainierbare Modelle des maschinellen Lernens für die visuelle Modellierung
Durch immer größere Datenmengen entstehen immer mehr Parameter, sodass die aktuelle Methode, prädiktive Modelle des maschinellen Lernens zu trainieren, nicht haltbar ist. Finanziert über den Europäischen Forschungsrat werden im Projekt APHELEIA Modelle des maschinellen Lernens aufgestellt, die robuster, interpretierbarer und effizienter sind, sodass weniger Daten für präzisere Prognosen erforderlich sind. Der Schwerpunkt liegt auf der visuellen Modellierung. Im Projekt werden neue Verbindungen zwischen der klassischen Signalverarbeitung, Statistik, Optimierung und modernem Deep Learning hergestellt. Durch diese Synergie erhalten Wissenschaft und Technik trainierbare Modelle des maschinellen Lernens, die von sich aus erfahrungsunabhängiges Wissen über die Aufgabensemantik und Datengenerierung enthalten. Diese Modelle priorisieren automatisch unkomplizierte und konsistente Lösungen über komplexe Lösungen. Das quelloffene Software-Paket des Projekts kann problemlos auf Herausforderungen bei der visuellen Erkennung und inversiven Bildgebung angewendet werden.
Ziel
Despite the undeniable success of machine learning in addressing a wide variety of technological and scientific challenges, the current trend of training predictive models with an evergrowing number of parameters from an evergrowing amount of data is not sustainable. These huge models, often engineered by large corporations benefiting from huge computational resources, typically require learning a billion or more of parameters. They have proven to be very effective in solving prediction tasks in computer vision, natural language processing, and computational biology, for example, but they mostly remain black boxes that are hard to interpret, computationally demanding, and not robust to small data perturbations.
With a strong emphasis on visual modeling, the grand challenge of APHELEIA is to develop a new generation of machine learning models that are more robust, interpretable, and efficient, and do not require massive amounts of data to produce accurate predictions. To achieve this objective, we will foster new interactions between classical signal processing, statistics, optimization, and modern deep learning. Our goal is to reduce the need for massive data by enabling scientists and engineers to design trainable machine learning models that directly encode a priori knowledge of the task semantics and data formation process, while automatically prefering simple and stable solutions over complex ones. These models will be built on solid theoretical foundations with convergence and robustness guarantees, which are important to make real-life trustworthy predictions in the wild. We will implement these ideas in an open-source software toolbox readily applicable to visual recognition and inverse imaging problems, which will also handle other modalities. This will stimulate interdisciplinary collaborations, with the potential to be a game changer in the way scientists and engineers design machine learning problems.
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2022-COG
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-ERC -Gastgebende Einrichtung
78153 Le Chesnay Cedex
Frankreich