Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Formalised Reasoning about Expectations: Composable, Automated, Speedy, Trustworthy

Descripción del proyecto

Sistemas de diferenciación automática en programas probabilísticos

Los sistemas de diferenciación automática (DA), como TensorFlow, y los lenguajes de programación probabilística (PPL, por sus siglas en inglés), como Stan, simplifican los cálculos complejos en el aprendizaje automático. Sin embargo, su eficacia se ve limitada por la falta de fundamentos teóricos de la programación componible, especialmente para aplicar la DA a elecciones probabilísticas e integrar algoritmos de inferencia bayesiana. El equipo del proyecto FoRECAST, financiado por el Consejo Europeo de Investigación, tiene como objetivo hacer avanzar la teoría y las herramientas del lenguaje de programación para permitir cálculos eficientes con derivadas y probabilidades. En el proyecto se abordarán retos de modelización de la vida real colaborando con expertos en la materia en casos prácticos, al tiempo que se establecen fundamentos semánticos y algoritmos para la DA componible en programas probabilísticos. El equipo creará un práctico sistema estocástico de DA que incorpora técnicas innovadoras de estimación de gradientes y un PPL de fácil manejo para la inferencia bayesiana componible.

Objetivo

Automatic Differentiation (AD) systems, like TensorFlow, and probabilistic programming languages (PPLs), like Stan, automate complex computations of derivatives and Bayesian inference tasks. By stream- lining these computations for non-expert users, these high-level systems have accelerated progress across science and society (e.g. by enabling machine learning). Yet, the theoretical foundations needed to build a high-level system for composable programming with derivatives and probabilities are missing. This chasm in our knowledge severely limits the implementation of machine learning techniques, preventing them from reaching their full potential. Specifically, we do not understand (a) how to perform AD on programs built using probabilistic choices and expected values or (b) how to compose (i.e. combine and integrate) Bayesian inference algorithms. FoRECAST addresses this chasm by developing programming language theory and tools for flexible, composable, and efficient calculations with derivatives and prob- abilities. WP 1 develops case studies in collaboration with domain experts, to ensure that FoRECAST creates theory and systems relevant to real-world, complex modelling problems. WP 2 develops the semantic foundations, algorithms, and formalised correctness proofs for composable AD of probabilistic programs. WP 3 builds a practical stochastic (i.e. probabilistic) AD system that synthesises these novel gradient estimation techniques. WP 4 establishes theoretical foundations to compose Bayesian inference algorithms in PPLs. WP 5 implements a user-friendly PPL that facilitates composable Bayesian inference, enabling more flexible modelling for a wider user base. By mathematically formalising, generalising, optimising, and implementing a next generation PPL, this project will lay a trustworthy foundation upon which probabilistic data analysis applications (e.g. reinforcement learning, proteomics modelling, and paleoclimate reconstructions) can rise to the next level.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) ERC-2024-STG

Ver todos los proyectos financiados en el marco de esta convocatoria

Institución de acogida

UNIVERSITEIT UTRECHT
Aportación neta de la UEn
€ 1 500 000,00
Coste total
€ 1 500 000,00

Beneficiarios (1)