Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

CHORAL

Financiado

Cerrado

Computational Hardness Of RepresentAtion Learning

Rich internal representations of complex data are crucial to the predictive power of neural networks. Unfortunately, current statistical analyses are restricted to over-simplified networks, whose representations (i.e., weight matr... ver más

30/09/2027

ORGANISATION DES N...

1M€

Presupuesto del proyecto: 1M€

Líder del proyecto

UNITED NATIONS EDUCATIONAL SCIENTIFIC AND CUL... No se ha especificado una descripción o un objeto social para esta compañía.

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo HORIZON EUROPE notifico la concesión del proyecto el día 2022-10-01

ERC-2021-STG: ERC STARTING GRANTS Scope:Objectives

I+D

Cerrada

0% 100%

Características del participante

Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.

Información adicional privada

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

Participantes

ORGANISATION DES NATIONS UNI...

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

Duración del proyecto: 59 meses Fecha Inicio: 2022-10-01
Fecha Fin: 2027-09-30

Líder del proyecto

UNITED NATIONS EDUCATIONAL SCIENTIFIC AND CUL... No se ha especificado una descripción o un objeto social para esta compañía.

Presupuesto del proyecto 1M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Rich internal representations of complex data are crucial to the predictive power of neural networks. Unfortunately, current statistical analyses are restricted to over-simplified networks, whose representations (i.e., weight matrices) are either random, and/or project the data in comparatively very large or very low dimensional spaces; in many applications the situation is very different. The modelisation of realistic data is another issue. There is an urgent need to reconcile theory and practice.Based on a synergy of the mathematical physics of spin glasses, matrix-models from physics, and information and random matrix theory, CHORAL’s statistical framework will delimit computational gaps in the learning, from structured data, of much more realistic models of neural networks. These gaps will quantify the discrepancy between:(i) the statistical cost of learning good representations, i.e., the minimal amount of training data required to reach a satisfactory predictive performance;(ii) the cost of efficiency, i.e., the amount of data needed when learning using tractable algorithms, such as approximate message-passing and noisy gradient descents.Comparing these costs will quantify when learning is computationally hard or not.To achieve this, CHORAL will first focus on dictionary learning, another essential task of representation learning, and then move on to multi-layer neural networks, which can be thought of as concatenated dictionary learning problems.CHORAL’s ambitious program, by defining benchmarks for algorithms used in virtually all fields of science and technology will have a direct practical impact. Equally important will be its conceptual impact: the study of information processing systems has become a major source of inspiration for mathematics.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores