Foto metamorworks Probabilistiska modeller och djupinlÀrning Àr tvÄ framgÄngsrika tekniker som anvÀnds inom maskininlÀrning. Dessa bÄda tekniker har komplementÀra egenskaper. För att kunna dra nytta av styrkorna hos bÄda teknikerna Àmnar vi att utveckla nya metoder och teorier för att överbygga klyftan dem emellan.
Probabilistiska modeller anvÀnds ofta inom statistik och maskininlÀrning. I en probabilistisk modell ses de olika variablerna som stokastiska (slumpmÀssiga) och de beroenden som finns mellan variablerna representeras av en sannolikhetsfördelning.
Probabilistiska modeller har mĂ„nga önskvĂ€rda egenskaper. Bland annat möjliggör de att systematiskt hantera den osĂ€kerhet som i princip all data i praktiken Ă€r behĂ€ftat med. Modellerna bli dĂ€rigenom âmedvetnaâ om osĂ€kerheten i deras prediktioner, nĂ„got som Ă€r av yttersta vikt för att kvalitetssĂ€kra de system dĂ€r metoderna anvĂ€nds.
¶ÙÂáłÜ±èŸ±ČÔ±ôĂ€°ùČÔŸ±ČÔČ” Ă€r en gren av maskininlĂ€rning som de senaste Ă„ren haft enastĂ„ende framgĂ„ngar inom en rad olika tillĂ€mpningar, sĂ„ som datorseende, sprĂ„kteknologi och mycket mer. ¶ÙÂáłÜ±èŸ±ČÔ±ôĂ€°ùČÔŸ±ČÔČ” baseras pĂ„ modeller som kallas för artificiella neurala nĂ€tverk. I de flesta fall trĂ€nas dessa nĂ€tverk med hjĂ€lp av övervakad inlĂ€rning frĂ„n stora mĂ€ngder trĂ€ningsdata.
TyvÀrr har framstegen inom djupinlÀrning ocksÄ ett pris, de neurala nÀtverken saknar ofta de önskvÀrda egenskaper som finns hos probabilistiska modeller, som kvantifiering av osÀkerhet och möjligheten att utnyttja a priori-kunskap om struktur och beroenden hos data.
I det hÀr projektet vill vi utveckla teorier och metoder relaterade till samspelet mellan probabilistiska modeller och djupinlÀrning.
Vi avser att utveckla bÄde nya modeller och nya inlÀrningsalgoritmer för tillÀmpningar dÀr vissa variabler naturligt beskrivs med hjÀlp av exempelvis probabilistiska grafiska modeller eller stokastiska processer, medan data hÀmtas frÄn ett omrÄde dÀr djupinlÀrning har visat sig vara framgÄngsrikt (till exempel bilder).
Inom projektet kommer vi undersöka tillÀmpningar av den nya teorin inom bland annat medicinskt beslutsstöd, för aktiv maskininlÀrning och för halvövervakad inlÀrning av dynamiska system. Det finns dock ett stort antal tillÀmpningsomrÄden som kan dra nytta av samspelet mellan djupinlÀrning och probabilistiska modeller och vi förvÀntar oss dÀrför att resultatet av projektet ska komma till bred anvÀndning.
Externa partner
- Chalmers tekniska högskola:
- Lennart Svensson (PI)
- Jakob Lindqvist (WASP-MLX PhD student)