Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Algorithmic Uncertainty Quantification for Learning and Decision Making

Projektbeschreibung

Die Unsicherheit bei den Ergebnissen von Algorithmen des maschinellen Lernens genau bewerten

Moderne, groß angelegte Systeme des maschinellen Lernens bilden die Grundlage für gesellschaftlich wichtige Anwendungen wie etwa Anwendungen im Bereich von generativer KI, autonomen Fahrzeugen und Robotertechnik, Finanzwesen und Betrugserkennung sowie Gesundheitswesen und Medizin. Sie nutzen verteiltes Rechnen zur Verarbeitung riesiger Datenmengen und unterstützen so Entscheidungen in der realen Praxis. Eine genaue Bewertung ihrer inhärenten Unsicherheit ist entscheidend für ihren sicheren und sachgemäßen Einsatz. Das ERC-finanzierte Projekt AUQuant soll neue statistische Methoden für die gründliche Genauigkeitsmessung der Ergebnisse von Systemen des maschinellen Lernens entwickeln und gleichzeitig eine Theorie zur algorithmischen Unsicherheitsquantifizierung erarbeiten. Die Werkzeuge werden für eine Vielzahl statistischer Aufgaben eingesetzt, um Bereiche wie die Theorie des statistischen Lernens und das Lernen durch Verstärkung voranzubringen und fördern parallel dazu die Entwicklung zukünftiger Systeme des maschinellen Lernens.

Ziel

Assessing the uncertainty of predictions of modern large-scale machine learning systems is crucial for understanding their limitations and the quality of solutions they provide, especially so when these systems are used for making decisions in the real world. Motivated by this need, this project addresses a variety of questions of uncertainty quantification and develops new methods for deriving statistical guarantees on the accuracy of outputs of ML systems. Our methodology is inspired by an emerging line of work we call algorithmic statistics, which uses tools from the theory of algorithms to prove complex statistical statements. We propose to extend these techniques to the more challenging domain of analyzing modern large-scale machine learning systems, and develop a theory of Algorithmic Uncertainty Quantification. Using the newly developed tools, we will address diverse statistical tasks such as bounding the generalization error of machine learning algorithms, estimating the parameters of large nonlinear statistical models, or designing provably efficient algorithms for interactive decision-making problems. The results will significantly advance the state of the art in well-studied areas of research such as statistical learning theory and reinforcement learning, not only by providing new tools for the analysis of existing algorithms and architectures but also by inspiring new principles for the development of the next generation of ML systems.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2025-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

UNIVERSIDAD POMPEU FABRA
Netto-EU-Beitrag
€ 1 999 757,00
Adresse
PLACA DE LA MERCE, 10-12
08002 Barcelona
Spanien
Region
Este Cataluña Barcelona
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 999 757,00

Begünstigte (1)