Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

PID2020-118071GB-I00

Financiado

APRENDIZAJE AUTOMATICO BIOINSPIRADO

LA INVESTIGACION EN EL APRENDIZAJE AUTOMATICO (ML) Y LA INTELIGENCIA ARTIFICIAL CORRE EN PARALELO CON LOS AVANCES EN LA NEUROCIENCIA QUE REVELAN LOS CIRCUITOS NEURONALES PARA EL PROCESAMIENTO EFICIENTE DE LAS SEÑALES SENSORIALES.... ver más

01/01/2020

105K€

Presupuesto del proyecto: 105K€

Líder del proyecto

UNIVERSITAT DE VALÈNCIA (ESTUDI GENERAL) No se ha especificado una descripción o un objeto social para esta compañía.

Sin perfil tecnológico

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2020-01-01 No tenemos la información de la convocatoria

0% 100%

Participantes

Lider

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Proyectos interesantes

BES-2016-076747 Neural circuits of social decision making 93K€ Cerrado

DPI2017-89867-C2-2-R (SUBPROYECTO 2) "DEEP NETWORKS" EN EL CEREBRO VISUAL: DE LA... 109K€ Cerrado

ATR2023-145670 Psicología 993K€ Cerrado

RYC-2015-17236 Neural network dynamics underlying cognitive function 309K€ Cerrado

TIN2008-04985 NUEVAS ESTRATEGIAS EN EL DISEÑO DE SISTEMAS NEUROCOMPUTACION... 90K€ Cerrado

DeepCoMechTome Using deep learning to understand computations in neural cir... 2M€ Cerrado

Líder del proyecto

UNIVERSITAT DE VALÈNCIA (ESTUDI GENERAL) No se ha especificado una descripción o un objeto social para esta compañía.

Sin perfil tecnológico

Presupuesto del proyecto 105K€

Descripción del proyecto LA INVESTIGACION EN EL APRENDIZAJE AUTOMATICO (ML) Y LA INTELIGENCIA ARTIFICIAL CORRE EN PARALELO CON LOS AVANCES EN LA NEUROCIENCIA QUE REVELAN LOS CIRCUITOS NEURONALES PARA EL PROCESAMIENTO EFICIENTE DE LAS SEÑALES SENSORIALES. POR EJEMPLO, LA ACTUAL EXPLOSION DEL APRENDIZAJE PROFUNDO SE BASA EN EL AUMENTO DE LA PROFUNDIDAD DE LAS CAPAS LINEALES+NO LINEALES QUE ORIGINALMENTE SE BASABAN EN LOS CAMPOS RECEPTIVOS Y LAS NO LINEALIDADES DE LAS NEURONAS DE LA CORTEZA VISUAL PRIMARIA (V1), UN MODELO BIOLOGICO SIMPLIFICADO QUE MERECIO EL PREMIO NOBEL PARA HUBEL Y WIESEL. POR OTRA PARTE, LA POTENCIA DE CALCULO ACTUAL PERMITE AJUSTAR MILLONES DE PARAMETROS EN ESTAS REDES, QUE DAN LUGAR A NUEVOS MODELOS QUE EXPLICAN LA APARICION DE CARACTERISTICAS ABSTRACTAS Y LA ESPECIALIZACION EN LAS REGIONES CORTICALES POSTERIORES, DESDE V1 HASTA MT E IT.SIN EMBARGO, NOSOTROS (ENTRE OTROS) HEMOS DEMOSTRADO QUE LAS ACTUALES ARQUITECTURAS ARTIFICIALES TIENEN PROBLEMAS CRITICOS DEBIDO A LA ALTA DIMENSIONALIDAD INTRINSECA DE SU ESPACIO DE PARAMETROS Y A LAS DIFERENCIAS FUNDAMENTALES CON LAS REDES BIOLOGICAS. EN PARTICULAR, LAS NEURONAS BIOINSPIRADAS Y LOS MODELOS DE REDES QUE DESARROLLAMOS EN EL PASADO LOGRAN UN MEJOR RENDIMIENTO QUE LAS REDES CONVENCIONALES EN UNA SERIE DE APLICACIONES DE PROCESAMIENTO DE IMAGENES (CODIFICACION, MEDIDAS DE DISTORSION, RESTAURACION, SINTESIS, REPRESENTACION), Y PROPUSIMOS INVARIANZAS PARA UNA MEJOR CLASIFICACION. NUESTROS MODELOS EXPLICAN UNA GAMA AMPLIA DE FENOMENOS EN LA VISION BIOLOGICA (ADAPTACION CROMATICA, ADAPTACION DE CONTRASTE, EFECTOS DE BRILLO, SECUELAS DE MOVIMIENTO, ILUSIONES VISUALES). ESTE PARALELISMO NO ES CASUAL, YA QUE EL CEREBRO SENSORIAL ES UN SISTEMA DE PROCESAMIENTO DE LA INFORMACION QUE SE ENFRENTA A LOS MISMOS PROBLEMAS ESTADISTICOS QUE EL APRENDIZAJE AUTOMATICO. DE HECHO, EN LAS ULTIMAS DECADAS, E IMPULSADOS POR EL TRABAJO EN LOS PROBLEMAS QUE SON COMUNES AL ML Y A LA NEUROCIENCIA VISUAL, HEMOS DESARROLLADO NOVEDOSAS TECNICAS ESTADISTICAS PARA LA ESTIMACION DE PDF, LA DESCRIPCION DE VARIEDADES, LA ALINEACION Y EL EMPAREJAMIENTO DE VARIEDADES Y LA TEORIA DE LA INFORMACION QUE HAN DEMOSTRADO SER UTILES EN UNA SERIE DE CAMPOS, DESDE LA COMPRENSION DE DATOS EN LA GEOCIENCIA HASTA EL ANALISIS DEL FLUJO DE INFORMACION EN LA NEUROCIENCIA.EN ESTE PROYECTO PLANEAMOS MANTENER NUESTRA TRADICION DE COMBINAR EL ML CON MODELOS SENSORIALES BIOLOGICOS PARA TRABAJAR EN LA SOLUCION DE PROBLEMAS FUNDAMENTALES EN AMBOS CAMPOS. POR EJEMPLO, LOS SISTEMAS ARTIFICIALES DEBERIAN INCORPORAR INVARIANZAS QUE SON HABITUALES EN LA PERCEPCION BIOLOGICA. LOS PROBLEMAS DE GENERALIZACION O LOS ATAQUES ADVERSARIOS SON EJEMPLOS DE LAS DEFICIENCIAS DE LOS ACTUALES SISTEMAS ARTIFICIALES. LA INCLUSION DE RESTRICCIONES BIOLOGICAS EN LAS ARQUITECTURAS (COMO LA INCORPORACION DE ADAPTACION O LA AGRUPACION ADECUADA DE FILTROS PARA LOGRAR LA INVARIANZA) PARECE LA FORMA DE EVITAR ESTOS PROBLEMAS. POR OTRA PARTE, LOS METODOS EXPERIMENTALES PSICOFISICOS Y FISIOLOGICOS SE BENEFICIARAN DE NUESTROS MODELOS ESTADISTICOS. ESTOS NUEVOS ENFOQUES PERMITIRAN UNA MEJOR COMPRENSION DE LA TRANSMISION DE INFORMACION EN EL CEREBRO, ABORDANDO CUESTIONES ABIERTAS COMO LA RELACION ENTRE EL RUIDO Y LA ADAPTACION EN LA COMUNICACION NEURONAL. POR ULTIMO, EXPLORAREMOS LA SIMBIOSIS DE LOS MODELOS DE ML Y BIOLOGICOS CON OTROS CAMPOS COMO LA TEORIA DEL CONTROL O LA ECONOMETRIA, EN LOS QUE ALGUNOS PROBLEMAS PUEDEN ABORDARSE CON HERRAMIENTAS MATEMATICAMENTE EQUIVALENTES ODELOS BIOINSPIRADOS\ECONOMETRIA\PROCESADO DE IMAGEN\VISION POR COMPUTADOR\ROBOTICA\MODELOS ESTADISTICOS\APRENDIZAJE AUTOMATICO

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores