Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

ESDEMUU

Financiado

Cerrado

Efficient sequential decision making under uncertainty

"Many applications require efficient methods for automated decision making, such as control systems, crisis response, finance, logistics, network security, robotics and traffic management. These problems involve sequential learnin... ver más

30/04/2013

EPFL

233K€

Presupuesto del proyecto: 233K€

Líder del proyecto

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE 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 FP7 notifico la concesión del proyecto el día 2013-04-30 No tenemos la información de la convocatoria

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.

1 Participantes

EPFL

0.00€ | Lider

Proyectos interesantes

DeciTrustNET

Data Science

Software

183K€ Cerrado

RADDICS

Software

Data Science

2M€ Cerrado

BITS

Robotics and Au...

Software

158K€ Cerrado

PGC2018-095709-B-C21

Robotics and Au...

Software

61K€ Cerrado

CompLACS

Artificial Inte...

Machine Learnin...

6M€ Cerrado

TIN2008-06872-C04-02

Data Science

Artificial Inte...

93K€ 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

Líder del proyecto

ECOLE POLYTECHNIQUE FEDERALE DE LAUSANNE No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 233K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto "Many applications require efficient methods for automated decision making, such as control systems, crisis response, finance, logistics, network security, robotics and traffic management. These problems involve sequential learning and decision making under uncertainty in an unknown environment. As we have incomplete information about the state and dynamics of the environment, the outcome of any specific plan is uncertain. Statistical decision theory offers a framework for finding optimal solutions, but in most problems of interest exact inference and planning are intractable. The project will develop efficient approximate methods for nearly optimal learning and decision making in such problems. Our first goal is to obtain provably efficient algorithms for decision making in discrete, fully observable environments. Our second goal is to extend these to continuous and partially observable domains. Recent advances in statistical learning theory and in stochastic planning, make this avenue of research particularly promising. Our third theoretical goal is to consider collaborative planning among multiple agents in unknown environments for each of the above cases. Finally, we shall develop open source code and perform extensive comparative experiments in classical benchmark problems for evaluation purposes. As a more realistic test-bed, we shall focus on the network intrusion detection and response problem, where we must safeguard a network against the attacks of malicious users. The project coordinator is an expert on Bayesian reinforcement learning and stochastic planning and the host institution has produced seminal breakthroughs in the area of distributed planning, while both have prior experience in problems of network intrusion detection."

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores