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

Elastic Coordination for Scalable Machine Learning

Descrizione del progetto

Superare i problemi relativi alle prestazioni nella scienza dei dati e nell’apprendimento automatico

La scienza dei dati e l’apprendimento automatico hanno raggiunto un’importante posizione nei campi e negli studi scientifici del mondo moderno. Ciò è stato reso possibile da un progresso quasi costante compiuto dalle piattaforme, da una maggiore disponibilità dei dati, da algoritmi migliori e da prestazioni computazionali. Sfortunatamente, nonostante questi miglioramenti in corso, le prestazioni computazionali dovrebbero rallentare, esercitando un impatto negativo sugli altri tre parametri. Il progetto ScaleML, finanziato dall’UE, si propone di trovare una soluzione introducendo una nuova metodologia per l’apprendimento automatico e la scienza dei dati che potrebbe superare queste inefficienze. A tal fine, svilupperà tecniche volte a consentire un coordinamento elastico tra macchine singole e basate sulla rete, che dovrebbero contribuire al superamento delle problematiche relative alle prestazioni.

Obiettivo

Machine learning and data science are areas of tremendous progress over the last decade, leading to exciting research developments, and significant practical impact. Broadly, progress in this area has been enabled by the rapidly increasing availability of data, by better algorithms, and by large-scale platforms enabling efficient computation on immense datasets. While it is reasonable to expect that the first two trends will continue for the foreseeable future, the same cannot be said of the third trend, of continually increasing computational performance. Increasing computational demands place immense pressure on algorithms and systems to scale, while the performance limits of traditional computing paradigms are becoming increasingly apparent. Thus, the question of building algorithms and systems for scalable machine learning is extremely pressing. The project will take a decisive step to answer this challenge, developing new abstractions, algorithms and system support for scalable machine learning. In a nutshell, the line of approach is elastic coordination: allowing machine learning algorithms to approximate and/or randomize their synchronization and communication semantics, in a structured, controlled fashion, to achieve scalability. The project exploits the insight that many such algorithms are inherently stochastic, and hence robust to inconsistencies. My thesis is that elastic coordination can lead to significant, consistent performance improvements across a wide range of applications, while guaranteeing provably correct answers. ScaleML will apply elastic coordination to two specific relevant scenarios: scalability inside a single multi-threaded machine, and scalability across networks of machines.
Conceptually, the project’s impact is in providing a set of new design principles and algorithms for scalable computation. It will develop these insights into a set of tools and working examples for scalable distributed machine learning.

Campo scientifico (EuroSciVoc)

Questo progetto non è ancora stato classificato con EuroSciVoc.
Suggerisci i campi scientifici che ritieni più rilevanti e aiutaci a migliorare il nostro servizio di classificazione.

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

ERC-STG - Starting Grant

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

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2018-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

INSTITUTE OF SCIENCE AND TECHNOLOGY AUSTRIA
Contributo netto dell'UE
€ 1 494 121,00
Indirizzo
Am Campus 1
3400 Klosterneuburg
Austria
Regione
Ostösterreich Niederösterreich Wiener Umland/Nordteil
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 494 121,00

Beneficiari (1)