Descripción del proyecto
Solucionar el problema del efecto caja negra en el aprendizaje automático
El reciente crecimiento y avance de las tecnologías de aprendizaje automático han aportado importantes beneficios e interacciones con diversos sectores, repercutiendo en los sistemas autónomos, la toma de decisiones, los descubrimientos científicos y el diagnóstico médico. Sin embargo, a medida que los sistemas predictivos de aprendizaje automático se vuelven más sofisticados, su razonamiento suele ser más difícil de interpretar, lo que plantea problemas de seguridad. En este contexto, el proyecto SafetyBounds, financiado por el Consejo Europeo de Investigación, abordará este reto de seguridad, comúnmente denominado «efecto caja negra». En concreto, establecerá límites de error interpretables y precisos en las predicciones de aprendizaje automático, de los que se pueden derivar valiosos conocimientos. En última instancia, el proyecto sentará las bases para futuras prácticas de diseño de aprendizaje automático y sistemas de aprendizaje.
Objetivo
Recent breakthroughs in machine learning (ML) have brought about a transformative impact on decision-making, autonomous systems, medical diagnosis, and creation of new scientific knowledge. However, this progress has a major drawback: modern predictive systems are extremely complex and hard to interpret, a problem known as the black-box effect. The opaque nature of modern ML models, trained on increasingly diverse, incomplete, and noisy data, and later deployed in varying environments, hinders our ability to comprehend what drives inaccurate predictions, biased outcomes, and test time failures. Perhaps the most pressing question of our times is this: can we trust the predictions for future unseen instances obtained by black-box systems? The lack of practical guarantees on the limits of predictive performance poses a significant obstacle to deploying ML in applications that affect people's lives, opportunities, and science.
My overarching goal is to put precise, interpretable, and robust error bounds on ML predictions, communicating rigorously what can be honestly inferred from data. I call for the development of protective ecosystems that can be seamlessly plugged into any ML model to monitor and guarantee its safety.
This proposal introduces a unique interplay between statistics--the grammar of science--and ML--the art of learning from experience. Leveraging my expertise in both domains, I will show how statistical methodologies such as conformal prediction and test-martingales can empower ML, and how recent breakthroughs in ML such as semi-supervised learning and domain adaptation technologies can empower statistics. I will tackle challenges rooted in real-world problems concerning (1) availability and (2) quality of training data, as well as (3) test-time drifting data.
A successful outcome would not only lead to a timely and rigorous way toward safe ML, but may also significantly reform the way we develop, deploy, and interact with learning systems.
Palabras clave
Palabras clave del proyecto indicadas por el coordinador del proyecto. No confundir con la taxonomía EuroSciVoc (Ámbito científico).
Palabras clave del proyecto indicadas por el coordinador del proyecto. No confundir con la taxonomía EuroSciVoc (Ámbito científico).
Programa(s)
Programas de financiación plurianuales que definen las prioridades de la UE en materia de investigación e innovación.
Programas de financiación plurianuales que definen las prioridades de la UE en materia de investigación e innovación.
-
HORIZON.1.1 - European Research Council (ERC)
PROGRAMA PRINCIPAL
Ver todos los proyectos financiados en el marco de este programa
Tema(s)
Las convocatorias de propuestas se dividen en temas. Un tema define una materia o área específica para la que los solicitantes pueden presentar propuestas. La descripción de un tema comprende su alcance específico y la repercusión prevista del proyecto financiado.
Las convocatorias de propuestas se dividen en temas. Un tema define una materia o área específica para la que los solicitantes pueden presentar propuestas. La descripción de un tema comprende su alcance específico y la repercusión prevista del proyecto financiado.
Régimen de financiación
Régimen de financiación (o «Tipo de acción») dentro de un programa con características comunes. Especifica: el alcance de lo que se financia; el porcentaje de reembolso; los criterios específicos de evaluación para optar a la financiación; y el uso de formas simplificadas de costes como los importes a tanto alzado.
Régimen de financiación (o «Tipo de acción») dentro de un programa con características comunes. Especifica: el alcance de lo que se financia; el porcentaje de reembolso; los criterios específicos de evaluación para optar a la financiación; y el uso de formas simplificadas de costes como los importes a tanto alzado.
HORIZON-ERC - HORIZON ERC Grants
Ver todos los proyectos financiados en el marco de este régimen de financiación
Convocatoria de propuestas
Procedimiento para invitar a los solicitantes a presentar propuestas de proyectos con el objetivo de obtener financiación de la UE.
Procedimiento para invitar a los solicitantes a presentar propuestas de proyectos con el objetivo de obtener financiación de la UE.
(se abrirá en una nueva ventana) ERC-2024-STG
Ver todos los proyectos financiados en el marco de esta convocatoriaInstitución de acogida
Aportación financiera neta de la UE. Es la suma de dinero que recibe el participante, deducida la aportación de la UE a su tercero vinculado. Considera la distribución de la aportación financiera de la UE entre los beneficiarios directos del proyecto y otros tipos de participantes, como los terceros participantes.
32000 Haifa
Israel
Los costes totales en que ha incurrido esta organización para participar en el proyecto, incluidos los costes directos e indirectos. Este importe es un subconjunto del presupuesto total del proyecto.