Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

DEUCE

Financiado

Cerrado

Data-Driven Verification and Learning Under Uncertainty

Reinforcement learning (RL) agents learn to behave optimally via trial and error, without the need to encode complicated behavior explicitly. However, RL generally lacks mechanisms to constantly ensure correct behavior regarding s... ver más

31/12/2027

RUHR-UNIVERSITAET...

2M€

Presupuesto del proyecto: 2M€

Líder del proyecto

RUHRUNIVERSITAET BOCHUM No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo HORIZON EUROPE notifico la concesión del proyecto el día 2023-01-01

ERC-2022-STG: ERC STARTING GRANTS Scope:Objectives

I+D

Cerrada hace 3 años

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

RUHR-UNIVERSITAET BOCHUM

Lider

Proyectos interesantes

VeriDeL

Software

Artificial Inte...

2M€ Cerrado

AVS-ISS

Software

Data Science

2M€ Cerrado

RACE

Software

Data Science

2M€ Cerrado

SYMCAR

Software

Machine Learnin...

2M€ Cerrado

MCUNLEASH

Software

Data Science

1M€ Cerrado

TIN2009-14562-C05-05

Software

Artificial Inte...

54K€ Cerrado

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: 2023-01-01
Fecha Fin: 2027-12-31

Líder del proyecto

RUHRUNIVERSITAET BOCHUM No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 2M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Reinforcement learning (RL) agents learn to behave optimally via trial and error, without the need to encode complicated behavior explicitly. However, RL generally lacks mechanisms to constantly ensure correct behavior regarding sophisticated task and safety specifications.Formal verification (FV), and in particular model checking, provides formal guarantees on a system's correctness based on rigorous methods and precise specifications. Despite active development by researchers from all over the world, fundamental challenges obstruct the application of FV to RL so far.We identify three key challenges that frame the objectives of this proposal.(1) Complex environments with large degrees of freedom induce large state and feature spaces. This curse of dimensionality poses a longstanding problem for verification.(2) Common approaches for the correctness of RL systems employ idealized discrete state spaces.However, realistic problems are often continuous. (3) Knowledge about real-world environments is inherently uncertain. To ensure safety, correctness guarantees need to be robust against such imprecise knowledge about the environment.The main objective of the DEUCE project is to develop novel and data-driven verification methods that tightly integrate with RL. To cope with the curse of dimensionality, we devise learning-based abstraction schemes that distill the system parts that are relevant for the correctness. We employ and define models whose expressiveness captures various types of uncertainty. These models are the basis for formal and data-driven abstractions of continuous spaces. We provide model-based FV mechanisms that ensure safe and correct exploration for RL agents. DEUCE will elevate the scalability and expressiveness of verification towards real-world deployment of reinforcement learning.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores