Hola,
¿eres nuevo aquí?

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

Tengo cuenta

Regístrate

Ver video

GenClassifier4CL

Financiado

Cerrado

Incrementally learning new classes with generative classification

"Learning continually from non-stationary streams of data is a key feature of natural intelligence, but an unsolved problem in deep learning. Particularly challenging for deep neural networks is the problem of ""class-incremental... ver más

30/09/2024

KU Leuven

192K€

Presupuesto del proyecto: 192K€

Líder del proyecto

KATHOLIEKE UNIVERSITEIT LEUVEN 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 2024-09-30

HORIZON-MSCA-2021-PF-01-01: MSCA Postdoctoral Fellowships 2021 ExpectedOutcome:

I+D

Cerrada hace 3 años

0% 100% 100%

Información adicional privada

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

1 Participantes

KU Leuven

191.76K€ | Lider

Proyectos interesantes

TUCLA

Machine Learnin...

Data Science

2M€ Cerrado

KeepOnLearning

Software

Machine Learnin...

2M€ Cerrado

COLT-MDP

Software

Data Science

2M€ Cerrado

PID2020-115734RB-C21

Machine Learnin...

Artificial Inte...

164K€ Cerrado

OPTGEN

Machine Learnin...

Artificial Inte...

1M€ Cerrado

IJC2018-036205-I

Machine Learnin...

Data Science

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

Duración del proyecto: 27 meses Fecha Inicio: 2022-06-23
Fecha Fin: 2024-09-30

Líder del proyecto

KATHOLIEKE UNIVERSITEIT LEUVEN No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 192K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto "Learning continually from non-stationary streams of data is a key feature of natural intelligence, but an unsolved problem in deep learning. Particularly challenging for deep neural networks is the problem of ""class-incremental learning"", whereby a network must learn to distinguish classes that are not observed together. In deep learning, the default approach to classification is learning discriminative classifiers. This works great in the i.i.d. setting when all classes are available simultaneously, but when new classes must be learned incrementally, successful training of discriminative classifiers depends on workarounds such as storing data or generative replay. In a radical shift of gears, here I propose to instead address class-incremental learning with generative classification. Key advantage is that generative classifiers – unlike discriminative classifiers – do not compare classes during training, but only during inference (i.e., when making a classification decision). As a proof-of-concept, in preliminary work I showed that a naïve implementation of a generative classifier, with a separate variational autoencoder model per class and likelihood estimation through importance sampling, outperforms comparable generative replay methods. To improve the efficiency, scalability, and performance of this generative classifier, I propose four further modifications: (1) move the generative modelling objective from the raw inputs to an intermediate network layer; (2) share the encoder network between classes, but not necessarily the decoder networks; (3) use fewer importance samples for unlikely classes; and (4) make classification decisions hierarchical. This way, during my MSCA fellowship hosted in the group of Prof Tinne Tuytelaars, I hope to develop generative classification into a practical, efficient, and scalable state-of-the-art deep learning method for class-incremental learning."

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores