Descripción del proyecto
Aprendizaje relacional estadístico no supervisado para el aprendizaje automático
El aprendizaje automático es popular debido al éxito de los sistemas como AlphaGo de DeepMind, GPT-3 de OpenAI y Alexa de Amazon. Sin embargo, los métodos actuales de aprendizaje de representaciones podrían ser más eficientes en términos de uso de datos y energía. Los humanos aprenden de forma eficiente a partir de datos limitados debido a su capacidad de razonamiento, de la que carecen las estrategias de aprendizaje de representaciones existentes. Con el apoyo de las Acciones Marie Skłodowska-Curie, el equipo del proyecto DISCWORLD tiene como objetivo integrar el aprendizaje no supervisado con sistemas de IA de razonamiento basados en la lógica. Intenta desarrollar algoritmos que puedan descubrir representaciones simbólicas a partir de datos ruidosos o ambiguos y adaptar el conocimiento adquirido a lo largo del tiempo. Estas innovaciones se aplicarán para mejorar la comprensión de las imágenes en la conducción autónoma, obtener conocimientos sobre el razonamiento causal y aprender abstracciones simbólicas en dominios matemáticos.
Objetivo
Machine learning is popular nowadays, thanks to the impressive results achieved by systems like DeepMind’s AlphaGo, OpenAI’s language prediction model GPT-3 or Amazon’s speech recognition system Alexa. At the basis of these successes, there is representation learning, which enables training deep neural networks in an unsupervised fashion and provides the starting conditions for subsequent task-specific training. However, current representation learning strategies use large neural networks and consume large amount of data, thus being data and energy inefficient. In contrast, humans learn from limited data in a very efficient way. This is due to the fact that humans are able to perform reasoning, while representation learning strategies lack such capability. This research project aims to overcome these limitations by providing the mathematical foundations for the integration between unsupervised learning and reasoning AI systems based on logic. Specifically, the aim is to devise algorithms enabling the discovery of symbolic representations from noisy/ambiguous data together with their relations and being able to adapt the acquired relational knowledge over time. The resulting solutions will be applied to improve image understanding in autonomous driving and to gain insights about causal reasoning and learning symbolic abstractions in mathematical domains.
Palabras clave
Programa(s)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Régimen de financiación
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global FellowshipsCoordinador
3000 Leuven
Bélgica