Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Discovering the World Through Unsupervised Statistical Relational Learning

Descrizione del progetto

Apprendimento relazionale statistico non supervisionato per l’apprendimento automatico

L’apprendimento automatico è diventato popolare grazie al successo di sistemi come AlphaGo di DeepMind, GPT-3 di OpenAI e Alexa di Amazon; ciononostante, gli attuali metodi di apprendimento della rappresentazione potrebbero essere maggiormente efficienti in termini di utilizzo di dati e di consumo energetico. Gli esseri umani possono imparare in modo efficiente da dati limitati grazie alla loro capacità di ragionamento, che non è integrata nelle attuali strategie di apprendimento della rappresentazione. Con il supporto del programma di azioni Marie Skłodowska-Curie, il progetto DISCWORLD si propone di integrare l’apprendimento non supervisionato con sistemi di intelligenza artificiale (IA) basati sul ragionamento logico, con l’obiettivo di sviluppare algoritmi in grado di scoprire rappresentazioni simboliche a partire da dati rumorosi o ambigui e di adattare le conoscenze acquisite nel corso del tempo. Le soluzioni di DISCWORLD saranno applicate al fine di migliorare la comprensione delle immagini nella guida autonoma, acquisire informazioni sul ragionamento causale e apprendere astrazioni simboliche nei domini matematici.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Questo progetto non è ancora stato classificato con EuroSciVoc.
Suggerisci i campi scientifici che ritieni più rilevanti e aiutaci a migliorare il nostro servizio di classificazione.

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) HORIZON-MSCA-2023-PF-01

Vedi tutti i progetti finanziati nell’ambito del bando

Coordinatore

KATHOLIEKE UNIVERSITEIT LEUVEN
Contributo netto dell'UE
€ 177 322,08
Indirizzo
OUDE MARKT 13
3000 Leuven
Belgio
Regione
Vlaams Gewest Prov. Vlaams-Brabant Arr. Leuven
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
Nessun dato

Partner (1)