Projektbeschreibung
Lösung der „Blackbox“-Herausforderung
Mit den Fortschritten des maschinellen Lernens und der KI nimmt die Komplexität der Modelle zu, sodass sie für den Menschen immer undurchsichtiger werden. Dieses Phänomen wird als „Blackbox“-Problem bezeichnet. Diese Undurchsichtigkeit ergibt sich aus dem Problem der Identifizierbarkeit, wobei Modelle dasselbe Muster auf unzählige Arten in ihren internen Darstellungen ausdrücken können. Dieser Mangel an Transparenz behindert unsere Fähigkeit, die von diesen Modellen generierten Erkenntnisse zu verstehen, was zu einem Dilemma führt: entweder die Unergründlichkeit der Ergebnisse akzeptieren oder die Komplexität der Modelle opfern. In diesem Zusammenhang verlagert das ERC-finanzierte Projekt NoKnow den Schwerpunkt von den Darstellungen selbst auf die Aufgaben, die sie lösen. Das Projektteam wird unter Verwendung von Werkzeugen aus der differentiellen Geometrie und der Bayes‘schen Inferenz identifizierbare Ergebnisse innerhalb der Darstellungsvielfalt sicherstellen.
Ziel
Machine learning and artificial intelligence techniques are progressing at a tremendous pace and impressive results appear across scientific fields. However, as machine learning models grow in capacity, they become increasingly ‘black box’, and it becomes harder for humans to reason about the patterns discovered by the machine. A root cause of this difficulty is that most machine learning models can express the same pattern in infinitely many, equally good, ways within their internal representations of the world. This is known as an identifiability problem.
Today we lack a general solution to identifiability problems, and either give up on understanding the patterns discovered by the machine or reduce model complexity to lessen the problem. The latter also reduces the fidelity and applicability of the model. NoKnow rephrase the question of identifiability to be concerned with tasks solved by the representation rather than the representation itself. Using tools from differential geometry and Bayesian inference, we develop the theoretical tools to ensure that tasks solved in the representation have an identifiable outcome even if the representations themselves are not identifiable.
To turn theory into practice, we develop state-of-the-art algorithms for assessing the uncertainty of learned representations in order to indirectly estimate the topology of the representation manifold. We further develop novel, high-fidelity predictive models that have identifiable outcomes when trained on learned representations.
NoKnow provides the fundamental tools needed to engage with learned representations to guarantee identifiable outcomes. This, in turn, increase trust in findings as they are not dependent on arbitrariness in learned representations. As society increasingly automates decisions, this trust in machine learning becomes ever more important.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenMathematikreine MathematikTopologie
- NaturwissenschaftenMathematikreine MathematikGeometrie
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) ERC-2023-COG
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-ERC -Gastgebende Einrichtung
2800 Kongens Lyngby
Dänemark