Opis projektu
Przełom w dziedzinie uczenia przez wzmocnienie
Uczenie się na podstawie interakcji to idea leżąca u podstaw prawie wszystkich teorii dotyczących uczenia się i inteligencji. W porównaniu z innymi podejściami do uczenia maszynowego metoda oparta na uczeniu się przez wzmocnienie w dużo większym stopniu koncentruje się na problemach obliczeniowych, które występują, gdy agenci komputerowi uczą się na podstawie interakcji ze środowiskiem. Finansowany przez UE projekt COLT-MDP ma na celu rozwinięcie najnowocześniejszych koncepcji teoretycznych dotyczących uczenia się przez wzmocnienie w oparciu o trzy zagadnienia. Zaprojektowanie modeli kompaktowych wizualizacji umożliwi naukowcom lepsze zarządzanie złożonymi problemami, co może rozszerzyć zastosowanie teorii uczenia się przez wzmocnienie na wiele różnych dziedzin. Ponadto naukowcy opracują wydajne algorytmy obliczeniowe. Mając na uwadze obawy obecne w społeczeństwie, coraz więcej uczonych będzie się skupiać na badaniu kwestii związanych z uczciwością i ochroną prywatności w odniesieniu do sztucznej inteligencji.
Cel
Computational learning theory has been highly successful over the last three decades, both in providing deep mathematical theories and in influencing the practice of machine learning. One of the great recent successes of computational learning theory has been the study of online learning and multi-arm bandits. This line of research has been highly successful, both theoretically and practically, addressing many important applications. Unfortunately, the recent theoretical progress in Markov Decision Process and reinforcement learning has been slower.
Based on my fundamental contributions to reinforcement learning (e.g. policy gradient, sparse sampling and trajectory trees), to online learning and machine learning in general, I propose to take the theoretical and practical success of online learning to the “next level” by making significant breakthroughs in reinforcement learning. Our main aim is to advance the state of the art in the theory of reinforcement learning, and our research will revolve around three pillars: (1) compact representation, (2) efficient computation and (3) societal challenges, including fairness and privacy.
A successful project will greatly impact reinforcement learning in all its stages. Modelling: Introducing new compact representation models, will enhance our understanding how to structure complex problems, which would greatly extend the applicability of reinforcement learning. Efficient computation: New algorithmic methodologies will give new insight for overcoming computational and statistical barriers both for planning and learning. Learning: New learning paradigms would address fundamental issues of copping with uncertainties in complex control environments of reinforcement learning. Societal challenges: Allowing the community to understand, assess, address and overcome societal challenges is of the greatest importance to the acceptance of AI methodologies by the general public.
Dziedzina nauki
Program(-y)
Temat(-y)
System finansowania
ERC-ADG - Advanced GrantInstytucja przyjmująca
69978 Tel Aviv
Izrael