Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Discovering the World Through Unsupervised Statistical Relational Learning

Opis projektu

Nienadzorowane statystyczne uczenie relacyjne na potrzeby uczenia maszynowego

Uczenie maszynowe stało się popularne między innymi ze względu na sukces takich systemów jak AlphaGo firmy DeepMind, GPT-3 firmy OpenAI i Alexa firmy Amazon. Obecne metody uczenia reprezentacyjnego mogą być jednak bardziej efektywne pod względem wykorzystania danych i energii. Ludzie potrafią uczyć się w oparciu o ograniczoną ilość danych za sprawą swojej zdolności do wnioskowania, której nie mają obecnie stosowane strategie uczenia reprezentacyjnego. Projekt DISCWORLD, realizowany przy wsparciu programu działań „Maria Skłodowska-Curie”, zakłada połączenie nienadzorowanego uczenia maszynowego z systemami SI opartymi na logice. Celem jest opracowanie algorytmów, które będą w stanie odkrywać symboliczne reprezentacje w zaszumionych lub niejednoznacznych danych i dostosowywać zdobytą wiedzę w miarę upływu czasu. Rozwiązania te pozwolą na lepsze rozumienie obrazów w trakcie jazdy autonomicznej, uzyskanie wglądu w myślenie przyczynowo-skutkowe i poznanie symbolicznych abstrakcji w różnych dziedzinach matematyki.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Projekt nie został jeszcze sklasyfikowany według klasyfikacji EuroSciVoc.
Wskaż dziedziny nauki, które twoim zdaniem są najbardziej istotne z punktu widzenia tego projektu i pomóż nam usprawnić naszą usługę klasyfikacji.

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

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

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2023-PF-01

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

KATHOLIEKE UNIVERSITEIT LEUVEN
Wkład UE netto
€ 177 322,08
Koszt całkowity
Brak danych

Partnerzy (1)