Description du projet
L’apprentissage relationnel statistique non supervisé pour l’apprentissage automatique
Le succès de systèmes tels qu’AlphaGo de DeepMind, GPT-3 d’OpenAI et Alexa d’Amazon a popularisé l’apprentissage automatique. La consommation de données et d’énergie des méthodes actuelles d’apprentissage des représentations pourraient toutefois être plus performantes. Les humains peuvent apprendre de manière efficace à partir de données limitées grâce à leur capacité de raisonnement, qui fait défaut aux stratégies d’apprentissage des représentations actuelles. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet DISCWORLD se propose d’intégrer l’apprentissage non supervisé aux systèmes d’IA raisonnés basés sur la logique. Il entend développer des algorithmes capables de découvrir des représentations symboliques à partir de données bruyantes ou ambiguës et d’adapter les connaissances acquises au fil du temps. Ces solutions permettront d’améliorer la compréhension des images dans le cadre de la conduite autonome, de mieux comprendre le raisonnement causal et d’apprendre des abstractions symboliques dans les domaines mathématiques.
Objectif
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.
Mots‑clés
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).
Programme(s)
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.
-
HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA)
PROGRAMME PRINCIPAL
Voir tous les projets financés dans le cadre de ce programme
Thème(s)
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.
Régime de financement
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.
HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships
Voir tous les projets financés dans le cadre de ce programme de financement
Appel à propositions
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.
(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2023-PF-01
Voir tous les projets financés au titre de cet appelCoordinateur
La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.
3000 LEUVEN
Belgique
Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.