Description du projet
Des modèles d’apprentissage automatique faciles à former pour la modélisation visuelle
Le nombre croissant de paramètres résultant d’un volume de données de plus en plus important rend la tendance actuelle de formation de modèles prédictifs d’apprentissage automatique (ML pour «machine learning») insoutenable. Dans ce contexte, le projet APHELEIA, financé par le CER, développera des modèles de ML plus robustes, interprétables et efficaces, nécessitant moins de données pour des prédictions précises, en mettant un accent particulier sur la modélisation visuelle. Le projet favorisera de nouvelles connexions entre le traitement classique des signaux, les statistiques, l’optimisation et l’apprentissage profond moderne. Cette synergie permettra aux scientifiques et aux ingénieurs de concevoir des modèles de ML faciles à former qui intègrent intrinsèquement des connaissances a priori sur la sémantique des tâches et les processus de génération de données. Ces modèles privilégient automatiquement les solutions simples et cohérentes aux solutions complexes. La boîte à outils logicielle libre du projet peut être facilement appliquée aux défis de la reconnaissance visuelle et de l’imagerie inverse.
Objectif
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.
Mots‑clés
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) ERC-2022-COG
Voir d’autres projets de cet appelRégime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
78153 Le Chesnay Cedex
France