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

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

Descrizione del progetto

Sistemi di differenziazione automatica nei programmi probabilistici

I sistemi di differenziazione automatica (AD) come TensorFlow e i linguaggi di programmazione probabilistica (PPL) come Stan semplificano i calcoli complessi nell’apprendimento automatico. Tuttavia, la loro efficacia è limitata dalla mancanza di basi teoriche per la programmazione modulare, in particolare per l’applicazione della AD a scelte probabilistiche e l’integrazione di algoritmi di inferenza bayesiana. Il progetto FoRECAST, finanziato dal CER, intende far progredire la teoria e gli strumenti dei linguaggi di programmazione per consentire calcoli efficienti con le derivate e le probabilità. Il progetto affronterà le sfide della modellazione del mondo reale collaborando con esperti di dominio su casi di studio e stabilendo al contempo basi semantiche e algoritmi per la AD modulare in programmi probabilistici. Svilupperà un sistema pratico di AD stocastico che incorpora tecniche innovative di stima del gradiente e un PPL di facile utilizzo per un’inferenza bayesiana composta.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

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

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2024-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSITEIT UTRECHT
Contributo netto dell'UE
€ 1 500 000,00
Costo totale
€ 1 500 000,00

Beneficiari (1)