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

Algorithmic Uncertainty Quantification for Learning and Decision Making

Opis projektu

Precyzyjna ocena niepewności wyników algorytmów uczenia maszynowego

Nowoczesne systemy uczenia maszynowego działające na dużą skalę stanowią podstawę ważnych społecznie rozwiązań - generatywnej sztucznej inteligencji, pojazdów autonomicznych, robotów, systemów finansowych i rozwiązań wykrywających oszustwa, a także opieki zdrowotnej i rozwiązań medycznych. Wykorzystują rozproszone zasoby obliczeniowe w celu przetwarzania ogromnych zbiorów danych, wspierając tym samym podejmowanie decyzji. Dokładna ocena niepewności związanej z ich stosowaniem jest istotna dla ich bezpiecznego i właściwego stosowania. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu AUQuant ma na celu opracowanie nowych metod statystycznych pozwalających na rygorystyczny pomiar dokładności wyników systemów uczenia maszynowego, a także stworzenie teorii algorytmicznej kwantyfikacji niepewności. Narzędzia te znajdą zastosowanie w różnych obszarach statystycznych, przyczyniając się do rozwoju takich dziedzin jak teoria uczenia statystycznego i uczenia ze wzmocnieniem, jednocześnie wspierając tworzenie przyszłych systemów opartych na algorytmach uczenia maszynowego.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-COG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

UNIVERSIDAD POMPEU FABRA
Wkład UE netto
€ 1 999 757,00
Koszt całkowity
€ 1 999 757,00

Beneficjenci (1)