Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

PID2021-128045OA-I00

Financiado

APRENDIZAJE PROFUNDO ETICO

ESTE PROYECTO PROPONE COMBINAR TECNICAS CLASICAS DE APRENDIZAJE MAQUINA SOBRE LOS MODELOS MAS RECIENTES DE APRENDIZAJE PROFUNDO (AP). LAS TECNICAS DE APRENDIZAJE PROFUNDO SUELEN SER UTILIZADAS COMO UN MECANISMO DE CAJA NEGRA, BUSC... ver más

01/01/2021

UDC

56K€

Presupuesto del proyecto: 56K€

Líder del proyecto

UNIVERSIDAD DE A CORUÑA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 86

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

UDC

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

NoKnow Not Knowing in Deep Representation Learning 2M€ Cerrado

EIN2020-112480 DEL MODELO MATEMATICO A LA DECISION HUMANA: POSICIONANDO A E... 9K€ Cerrado

PID2019-106758GB-C33 APRENDIZAJE AUTOMATICO EXPLICABLE: UNA APROXIMACION PROBABIL... 109K€ Cerrado

TRUST-AI Transparent Reliable and Unbiased Smart Tool for AI 4M€ Cerrado

IJC2019-039152-I Deep Learning and Neural-symbolic learning and reasoning for... 93K€ Cerrado

PID2019-106758GB-C32 APRENDIZAJE AUTOMATICO EXPLICABLE: UNA APROXIMACION PROBABIL... 81K€ Cerrado

Líder del proyecto

UNIVERSIDAD DE A CORUÑA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 86

Presupuesto del proyecto 56K€

Descripción del proyecto ESTE PROYECTO PROPONE COMBINAR TECNICAS CLASICAS DE APRENDIZAJE MAQUINA SOBRE LOS MODELOS MAS RECIENTES DE APRENDIZAJE PROFUNDO (AP). LAS TECNICAS DE APRENDIZAJE PROFUNDO SUELEN SER UTILIZADAS COMO UN MECANISMO DE CAJA NEGRA, BUSCANDO LA OBTENCION DE UN MODELO CON LA MAXIMA PRECISION POSIBLE, A COSTA DE SACRIFICAR SU INTERPRETABILIDAD. ESTE PROYECTO PROPONE COMBINAR MODELOS DE AP CON TECNICAS CLASICAS DE AM MAS CENTRADAS EN LA INTERPRETABILIDAD, BUSCANDO OBTENER LOS BENEFICIOS DE AMBOS CAMPOS.ESTE PROYECTO BUSCA AÑADIR TRES CARACTERISTICAS A LOS MODELOS CLASICOS DE AP:- EXPLICABILIDAD: LOS USUARIOS FINALES CONFIAN MAS EN LOS MODELOS EXPLICATIVOS QUE EN LAS APROXIMACIONES BASADAS EN CAJA NEGRA. SE CONSEGUIRA MEDIANTE LA INTRODUCCION, EN DOS FRENTES, DEL CONCEPTO DE SELECCION DINAMICA: MEDIANTE LA REDUCCION DE LOS DATOS DE ENTRADA A UN CONJUNTO MAS PEQUEÑO, QUE ALIMENTARA A UN MODELO DE AM SIMPLE; Y MEDIANTE LA RUPTURA DE LA LINEALIDAD DE LOS MODELOS DE AP MEDIANTE EL USO DE BLOQUES CONDICIONALES, FORZANDO AL MODELO A ESCOGER EL SIGUIENTE CAMINO A TOMAR, DESCARTANDO EL RESTO. ESTOS MODELOS CONDUCIRAN A DESARROLLOS MAS EXCITANTES EN TAREAS COMO EL ENTRENAMIENTO CON POCOS DATOS ANOTADOS, O EN LA GENERACION AUTOMATICA DE MODELOS DE AP. - FIABILIDAD: SERA OBTENIDA MEDIANTE EL DESARROLLO DE DEFENSAS CONTRA LOS LLAMADOS ATAQUES ADVERSARIOS, QUE SON MODIFICACIONES MINIMAS SOBRE LOS DATOS DE ENTRADA QUE PROVOCAN QUE EL MODELO DE AP SE COMPORTE DE MANERA INCORRECTA. UNA ARQUITECTURA ROBUSTA AYUDARA A LA CREACION DE MEJORES APLICACIONES PARA BIOMETRIA Y SEGURIDAD.- FACILIDAD DE USO: SE CREARA UNA APLICACION WEB PARA QUE CUALQUIER PERSONA, CON UNOS MINIMOS CONOCIMIENTOS, SEA CAPAZ DE USAR ESTOS MODELOS.- CONSUMO BAJO DE ENERGIA: SE CONSEGUIRA MEDIANTE TANTO EL USO DE TIPOS NUMERICOS DE BAJA RESOLUCION, COMO CON TECNICAS DE COMPUTACION EN EL LIMITE (EDGE COMPUTING).ESTAS CARACTERISTICAS SERAN INCLUIDAS EN EL DESARROLLO DE NUEVOS MODELOS DE AP DE PROPOSITO MULTIPLE, COMO CLASIFICACION O AGRUPAMIENTO. EL OBJETIVO ES LA CREACION DE ARQUITECTURAS DE EXTREMO A EXTREMO, DONDE TODAS LAS PARTES SON ENTRENADAS DE UNA MANERA SIMULTANEA, EN LUGAR DE SOLO COMBINAR DIFERENTES MODELOS EN UN PASO FINAL.BRAIS CANCELA BARIZO RECIBIO SU TITULO DE INGENIERO EN INFORMATICA (2009) Y SU DOCTORADO (2015) EN COMPUTACION EN LA UNIVERSIDAD DE A CORUÑA. SU TESIS DOCTORAL RECIBIO EL PREMIO EXTRAORDINARIO POR PARTE DE DICHA UNIVERSIDAD. ES MIEMBRO DEL GRUPO LIDIA (LABORATORIO DE INVESTIGACION Y DESARROLLO EN INTELIGENCIA ARTIFICIAL), PERTENECIENTE A LA MISMA UNIVERSIDAD, DESDE 2017. PREVIAMENTE TRABAJO COMO PROFESOR INTERINO EN LA UNIVERSIDAD DE BARCELONA (2017), Y COMO INVESTIGADOR POSTDOCTORAL INVITADO EN EL INESC TEC DE OPORTO, PORTUGAL (2017-2019).EL GRUPO TIENE UNAS BASES SOLIDAS EN AM, AP Y EN MODELOS EXPLICATIVOS, CON ESPECIAL ENFASIS EN LA SELECCION DE CARACTERISTICAS, COMPUTACION EN EL LIMITE Y EN MODELOS ESCALABLES. NUESTRO OBJETIVO ES EL DESARROLLO DE ARQUITECTURAS NOVEDOSAS QUE PUEDAN SER INCLUIDAS EN LA LLAMADA INTELIGENCIA ARTIFICIAL EXPLICABLE (XAI EN INGLES), O INTELIGENCIA ARTIFICIAL TRANSPARENTE. EL CAMPO SE REFIERE A METODOS Y TECNICAS EN LAS CUALES EXPERTOS HUMANOS SON CAPACES DE COMPRENDER LA SALIDA DE LOS MODELOS. ESTO ES PARTICULARMENTE IMPORTANTE PARA INVESTIGADORES DE AM QUE USEN TECNICAS DE AP, LAS CUALES SON FAMOSAS POR SU FALTA DE INTERPRETABILIDAD. PRENDIZAJE MAQUINA\SELECCION DINAMICA\COMPUTACION EN EL BORDE\EXPLICABILIDAD\APRENDIZAJE PROFUNDO

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores