| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | 83622ded-c78c-4513-90e0-6c1a233d9c5b |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 1/1/2019 |
|---|
| End | 12/31/2022 |
|---|
| title fr |
|
|---|
| title nl | Het leren van complexe patronen met Gaussische processen
|
|---|
| title en | Learning complex patterns with Gaussian processes
|
|---|
| Description fr |
|
|---|
| Description nl | Een van de doelen van kunstmatige intelligentie en machine learning is om computers te laten begrijpenonze wereld. Een cruciaal aspect om dit doel te bereiken is om de onzekerheid te kwantificeren, maar tot nu toe is dat wel zo geweestgrotendeels verwaarloosd in machine learning. Bayesiaanse methodologieën incorporeren onzekerheid in anatuurlijke manier. Terwijl ze meer en meer aandacht krijgen, missen ze nog steeds de nauwkeurigheid ofprestaties die men van diepe leersystemen gewend is.De focus van dit voorstel ligt op Gaussische processen (GPs). Stapelen van GPs (bijvoorbeeld Deep GPs) en diepkernel learning maakt meer accurate modellering van complexe gestructureerde data mogelijk. In Deep GPs de uitvoervan een GP van een hoger niveau wordt gevoed als de invoer van een GP van een lager niveau. Diepe huisartsen hebben wat potentieel laten zienveel toepassingen, maar zijn beperkt tot kleinere gegevenssets vanwege de schaalbaarheid. Deze beperking heeft geleid totde overtuiging dat Deep GPs niet van toepassing zijn op zeer grote datasets zoals gebruikt in andere deep learningmethoden. In dit voorstel onderzoeken we het gebruik van Deep GPs en, in het algemeen, Deep Bayesian Networksvoor zowel discriminerende als generatieve modellering van hoogdimensionaal en complex-gestructureerdgegevens.De belangrijkste doelen van dit voorstel zijn: (i) de computationele complexiteit van de huidige methoden verminderendoor de ontwikkeling van nieuwe variatieregels en door verder gebruik te maken van parallellisme in demodelarchitectuur, en (ii) diepe huisartsen of nieuwe diepe kernels gebruiken om ingewikkelde patronen te ontdekken ingegevens.
|
|---|
| Description en | One of the goals of artificial intelligence and machine learning is to allow computers to understandour world. A crucial aspect to achieve this goal is to quantify uncertainty but - so far - that has beenbeen largely neglected in machine learning. Bayesian methodologies incorporate uncertainty in anatural way. While they receive more and more attention, they still lack the accuracy orperformance that one has come to expect from deep learning systems.The focus of this proposal is on Gaussian Processes (GPs). Stacking GPs (e.g., Deep GPs) and deepkernel learning enable more accurate modeling of complex-structured data. In Deep GPs the outputof a higher level GP is fed as the input of a lower level GP. Deep GPs have shown some potential inmany applications but are restricted to smaller data sets due to scalability. This restriction has led tothe belief that Deep GPs are not applicable to very large data sets as used in other deep learningmethods. In this proposal, we explore the use of Deep GPs and, in general, Deep Bayesian Networksfor both discriminative as well as generative modeling of high-dimensional and complex-structureddata.The key goals of this proposal are: (i) alleviate the computational complexity of the current methodsthrough the development of novel variational bounds and by further exploiting parallelism in themodel architecture, and (ii) using deep GPs or novel deep kernels to discover intricate patterns indata.
|
|---|
| Qualifiers | - complex patterns - complexe patronen - |
|---|
| Personal | Dhaene Tom, Couckuyt Ivo |
|---|
| Collaborations | |
|---|
