Syväoppiminen differentiaaliyhtälöillä

Projektin yksityiskohdat

Tiivistelmä

Koneoppiminen ja tekoäly ovat kehittyneet ennenäkemätöntä vauhtia tehokkaiden neuroverkkomallien kehityksen myötä, jotka ovat mullistaneet useita tieteenaloja. Syvät neuroverkot käsittelevät dataa sarjana yksinkertaisia peräkkäisiä operaatioita. Tässä Aalto-yliopiston tutkimushankkeessa ehdotamme uutta, uraauurtavaa näkökulmaa koneoppimiseen kehittämällä uutta jatkuviin virtoihin perustuvaa tekoälyn haaraa, jossa mallin ennustus määritellään helposti tulkittavana polkuna syötteestä ennusteeseen. Uusi paradigma yhdistää fysiikan, tilastotieteen ja stokastiikan tutkimustuloksia. Projekti toteutetaan tiiviissä yhteistyössä laajan kansainvälisen huippututkijaverkoston kanssa. Projektia johtaa koneoppimistutkija PhD Markus Heinonen Aalto-yliopistosta.
LyhytotsikkoHeinonen Markus AT-palkka
TilaKäynnissä
Todellinen alku/loppupvm01/09/202031/08/2025

Sormenjälki

Tutustu tutkimuksen aiheisiin, joita tämä projekti koskee. Nämä merkinnät luodaan taustalla olevien stipendien/apurahojen perusteella. Yhdessä ne muodostavat ainutlaatuisen sormenjäljen.
  • Bayesian Inference for Optimal Transport with Stochastic Cost

    Mallasto, A., Heinonen, M. & Kaski, S., 2021, Proceedings of Asian Conference on Machine Learning. s. 1601-1616 16 Sivumäärä (Proceedings of Machine Learning Research; Vuosikerta 157).

    Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

    Open access
    Tiedosto
    6 Lataukset (Pure)
  • De-randomizing MCMC dynamics with the diffusion Stein operator

    Shen, Z., Heinonen, M. & Kaski, S., 2021, Advances in Neural Information Processing Systems 34 pre-proceedings (NeurIPS 2021). 11 Sivumäärä (Advances in Neural Information Processing Systems).

    Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

    Open access
    Tiedosto
    4 Lataukset (Pure)