Generativní relační modely
Cíle projektu
V tomto projektu navrhujeme studovat generativní relační modely. Navrhovaný projekt konkrétně sestává ze čtyř hlavních částí. První z těchto částí je práce na teoretických základech generativních modelů statistického relačního učení, což je nezbytné vzhledem k neuspokojivému stavu teorie učení v této části strojového učení. Druhou částí je vytvoření nového přístupu, který navrhujeme a provizorně nazýváme neurální Markovská logika a který by měl kombinovat schopnost Markovské logiky modelovat různrorodé relační domény se schopností neuronových sítí efektivně se učit reprezentace dat. Třetí částí jsou relační variační autoenkodery, které by měly kombinovat efektivnost tzv. lifted inference pro modelování velmi symetrických distribucí se schopnostmi tzv. “lifted relational neural networks” (které jsme již dříve navrhli) efektivně se učit reprezentace relačních dat. Poslední čtvrtá část se pak týká právě dalšího vývoje “lifted relational neural networks” tak, aby je bylo možné co možná nejefektivněji použít pro generativní modelování relačních dat.
Klíčová slova
relational-machine-learningstatistical-relational-learningstatistical-relational-artificial-intelligence
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Juniorské granty
Veřejná soutěž
SGA0202000002
Hlavní účastníci
České vysoké učení technické v Praze / Fakulta elektrotechnická
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
20-19104Y
Alternativní jazyk
Název projektu anglicky
Generative Relational Models
Anotace anglicky
In this project we propose to study generative relational models. In particular, the proposed project has four main parts that we plan to address. The first part is the development of a proper theoretical foundation for learning generative relational models from data, as the current state of learning theory in the field of statistical relational learning is very unsatisfactory. The second part is the development of the framework of neural Markov logic networks that we propose in order to combine the ability of Markov logic networks to transfer over different relational domains with the representation learning capabilities of neural networks. The third part is the framework of relational variational autoencoders that we propose in order to combine efficiency of lifted inference for modelling very symmetric distributions with the ability of lifted relational neural networks (which we introduced in our previous works) to learn latent representations of relational data. Finally, the fourth part of the is further development of lifted relational neural networks for generative modelling.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AF - Dokumentace, knihovnictví, práce s informacemi
BC - Teorie a systémy řízení
BD - Teorie informace
IN - Informatika
Termíny řešení
Zahájení řešení
1. 1. 2020
Ukončení řešení
30. 6. 2023
Poslední stav řešení
—
Poslední uvolnění podpory
1. 4. 2023
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP24-GA0-GJ-R
Datum dodání záznamu
21. 5. 2024
Finance
Celkové uznané náklady
7 082 tis. Kč
Výše podpory ze státního rozpočtu
7 082 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
7 082 tis. Kč
Statní podpora
7 082 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Doba řešení
01. 01. 2020 - 30. 06. 2023