Opis projektu
Wykorzystanie algebry abstrakcyjnej w celu uzyskania bardziej transparentnej pracy sztucznej inteligencji
Algebraiczne uczenie maszynowe (AML) to stosunkowo nowa technika uczenia maszynowego oparta na algebraicznych reprezentacjach danych. W przeciwieństwie do statystycznych algorytmów uczenia się algorytmy AML charakteryzują się danymi o niezmiennych właściwościach statystycznych i nie zawierają parametrów. Celem finansowanego ze środków UE projektu ALMA jest wykorzystanie właściwości AML do opracowania nowej generacji interaktywnych, ukierunkowanych na człowieka systemów uczenia maszynowego. Oczekuje się, że systemy te zmniejszą błąd systematyczny i pozwolą na uniknięcie dyskryminacji, będą zapamiętywać nowo zdobytą wiedzę, zwiększą zaufanie wobec tej technologii i podniosą jej niezawodność oraz zintegrują złożone ograniczenia etyczne z systemami współdziałania na linii człowiek-sztuczna inteligencja. Ponadto naukowcy zakładają, że będą one promować rozproszone, oparte na współpracy uczenie się.
Cel
Algebraic Machine Learning (AML) has recently been proposed as new learning paradigm that builds upon Abstract Algebra, Model Theory. Unlike other popular learning algorithms, AML is not a statistical method, but it produces generalizing models from semantic embeddings of data into discrete algebraic structures, with the following properties:
P1: Is far less sensitive to the statistical characteristics of the training data and does not fit (or even use) parameters
P2: Has the potential to seamlessly integrate unstructured and complex information contained in training data, with a formal representation of human knowledge and requirements;
P3. Uses internal representations based on discrete sets and graphs, offering a good starting point for generating human understandable, descriptions of what, why and how has been learned
P4. Can be implemented in a distributed way that avoids centralized, privacy-invasive collections of large data sets in favor of a collaboration of many local learners at the level of learned partial representations.
The aim of the project is to leverage the above properties of AML for a new generation of Interactive, Human-Centric Machine Learning systems., that will:
- Reduce bias and prevent discrimination by reducing dependence on statistical properties of training data (P1), integrating human knowledge with constraints (P2), and exploring the how and why of the learning process (P3)
- Facilitate trust and reliability by respecting ‘hard’ human-defined constraints in the learning process (P2) and enhancing explainability of the learning process (P3)
- Integrate complex ethical constraints into Human-AI systems by going beyond basic bias and discrimination prevention (P2) to interactively shaping the ethics related to the learning process between humans and the AI system (P3)
- Facilitate a new distributed, incremental collaborative learning method by going beyond the dominant off-line and centralized data processing approach (P4)
Dziedzina nauki
- natural sciencesmathematicspure mathematicsdiscrete mathematicsmathematical logic
- social sciencessociologysocial issuessocial inequalities
- natural sciencesmathematicspure mathematicsalgebra
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencesdata sciencedata processing
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
Zobacz inne projekty w ramach tego zaproszeniaSzczegółowe działanie
H2020-EIC-FETPROACT-2019
System finansowania
RIA - Research and Innovation actionKoordynator
28760 TRES CANTOS MADRID
Hiszpania
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.