Hluboké relační učení

Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
Standardní projekty 21 (SGA0201700001)
Hlavní účastníci
České vysoké učení technické v Praze / Fakulta elektrotechnická
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
17-26999S

Název projektu anglicky
Deep relational learning
Anotace anglicky
We propose to develop methods for deep learning from structured data such as graphs or relational-logic structures and background knowledge, thus combining the ability of deep learning to create systems of relevant auxiliary concepts with that of inductive logic programming to exploit structured data and background knowledge and provide interpretable models. Unlike previous neuro-symbolic approaches, our approach is based on the lifted (template) modelling strategy known from statistical relational learning, and in particular on our recently proposed concept of Lifted Relational Neural Networks which has already outperformed state of the art statistical relational methods in preliminary experiments. We will address mainly the issues of scalable weight and structure learning, interpretability of learned models, and will also generalize LRNN to a framework where a logical theory acts as a structural bias and deep network architectures are models of the theory. We will also explore analogies of deep learning techniques in the pure logical setting for the goal of predicate invention.

Kategorie VaV
ZV - Základní výzkum
CEP - hlavní obor
JD - Využití počítačů, robotika a její aplikace
CEP - vedlejší obor
—
CEP - další vedlejší obor
—
OECD FORD - odpovídající obory <br>(dle <a href="http://www.vyzkum.cz/storage/att/E6EF7938F0E854BAE520AC119FB22E8D/Prevodnik_oboru_Frascati.pdf">převodníku</a>)
20204 - Robotics and automatic control<br>20205 - Automation and control systems

Hodnocení poskytovatelem
U - Uspěl podle zadání (s publikovanými či patentovanými výsledky atd.)
Zhodnocení výsledků projektu
Projekt přináší řadu významných originálních poznatků v teorii a návrhů algoritmů pro hluboké učení. Bylo dosaženo hodnotných výsledků, což dokazuje řada kvalitních publikací v prestižních časopisech a konferencích, dále volně dostupný SW, a metodika. Nebyly zjištěny nedostatky v čerpání financí či pravidel řešení grantového projektu.

Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP20-GA0-GA-U/02:1
Datum dodání záznamu
23. 7. 2020

Podobné projekty(10)