Description du projet
Combler le fossé entre l’apprentissage automatique et la cognition humaine
Les réseaux neuronaux permettent aux algorithmes d’apprentissage automatique de reconnaître les relations sous-jacentes dans un ensemble de données et d’effectuer plusieurs tâches, comme la classification des images ou le traitement de la parole. Cependant, l’intelligence artificielle (IA) est encore loin de la capacité humaine quand il s’agit d’exécuter un grand nombre de fonctions, comme organiser rapidement un flux d’entrée textuel ou visuel dans un ensemble d’entités ou comprendre des relations complexes. Pour combler cette lacune, le projet HOLI, financé par l’UE, entend concevoir une nouvelle méthodologie générale pour l’interprétation sémantique des flux d’entrée, qui permettra d’utiliser des algorithmes d’apprentissage profond avec une inférence holistique. Le projet entend y parvenir dans le cadre d’une approche globale, reposant sur des architectures d’apprentissage profond, ainsi que sur une théorie et des algorithmes développés de manière appropriée. Il permettra ainsi de réaliser d’énormes progrès dans les technologies d’IA, en rendant possible des applications telles que la lecture automatique ou l’analyse texte-image.
Objectif
Machine learning has rapidly evolved in the last decade, significantly improving accuracy on tasks such as image classification. Much of this success can be attributed to the re-emergence of neural nets. However, learning algorithms are still far from achieving the capabilities of human cognition. In particular, humans can rapidly organize an input stream (e.g. textual or visual) into a set of entities, and understand the complex relations between those. In this project I aim to create a general methodology for semantic interpretation of input streams. Such problems fall under the structured-prediction framework, to which I have made numerous contributions. The proposal identifies and addresses three key components required for a comprehensive and empirically effective approach to the problem.
First, we consider the holistic nature of semantic interpretations, where a top-down process chooses a coherent interpretation among the vast number of options. We argue that deep-learning architectures are ideally suited for modeling such coherence scores, and propose to develop the corresponding theory and algorithms. Second, we address the complexity of the semantic representation, where a stream is mapped into a variable number of entities, each having multiple attributes and relations to other entities. We characterize the properties a model should satisfy in order to produce such interpretations, and propose novel models that achieve this. Third, we develop a theory for understanding when such models can be learned efficiently, and how well they can generalize. To achieve this, we address key questions of non-convex optimization, inductive bias and generalization. We expect these contributions to have a dramatic impact on AI systems, from machine reading of text to image analysis. More broadly, they will help bridge the gap between machine learning as an engineering field, and the study of human cognition.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Régime de financement
ERC-COG - Consolidator GrantInstitution d’accueil
69978 Tel Aviv
Israël