Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

¿Te ayudamos?

Ejemplos de búsqueda

Vídeos Explicativos

DeepLearning 2.0

Financiado

Cerrado

DeepLearning 2.0: Meta-Learning Qualitatively New Components

Deep learning has revolutionized many fields, such as computer vision, speech recognition, natural language processing, and reinforcement learning. This success is based on replacing domain-specific hand-cra... ver más

30/04/2027

ALU-FR

2M€

Presupuesto del proyecto: 2M€

Líder del proyecto

ALBERTLUDWIGSUNIVERSITAET FREIBURG 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 2022-04-14

ERC-2021-COG: ERC CONSOLIDATOR GRANTS Scope:Objectives

I+D

Cerrada

0% 100% 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.

1 Participantes

ALU-FR

2.00M€ | 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: 60 meses Fecha Inicio: 2022-04-14
Fecha Fin: 2027-04-30

Líder del proyecto

ALBERTLUDWIGSUNIVERSITAET FREIBURG 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 Deep learning has revolutionized many fields, such as computer vision, speech recognition, natural language processing, and reinforcement learning. This success is based on replacing domain-specific hand-crafted features with features that are learned for the particular task at hand. The logical step to take deep learning to the next level is to also (meta-)learn other hand-crafted elements of the deep learning pipeline. We therefore propose to develop meta-level learning methods for the creation of novel customized deep learning pipelines, by means of: 1. Hierarchical neural architecture searchfor learning qualitatively new architectures and architectural building blocks from scratch; 2. Learning of optimizers and hyperparameter adaptation policies that adapt totheir context in order to converge faster and more robustly; 3. Learning the data to train on, to remove the need for large sets of labelled data; and 4. Bootstrapping from prior design efforts to increase efficiency and make an integrative design of architectures, optimizers, hyperparameter adaptation policies, and pretraining tasks feasible in practice. These advances will allow the next generation of deep learning pipelines to achieve higher accuracy, lower training time, and improved ease-of-use (democratization of deeplearning). They will also allow a customization to particular design contexts, including additional objectives next to accuracy (such as robustness, memory requirements, energy consumption, latency, interpretability, training cost, uncertainty estimation, and algorithmic fairness) in order to facilitate trustworthy AI. In order to demonstrate the effectiveness of these methods, we plan to develop: 5. New state-of-the-art customized deep learning pipelines for various applications, including EEG decoding, RNA folding, and improving the reinforcement learning pipeline and deep learning on tabular data.

Conecta tu I+D

Entra hoy

Forgot your password?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores