Competiegedreven leren in statistische, relationele artificiële intelligentie.

Veel aspecten van het hedendaagse leven zorgen voor een toenemende productie en opslag aan data. Deze data droeg bij tot versnelde ontwikkelingen in machine learning, het onderzoeksveld waarin voorspellingen worden gedaan gebaseerd op bestaande data. In de voorhoede van deze ontwikkelingen is deep learning, dat voor verschillende doorbraken heeft gezorgd. Voorbeelden hiervan zijn DeepMinds AlphaGo en Googles zelfrijdende auto’s. Deze vooruitgangen zijn mogelijk gemaakt doordat deep learning enorme hoeveelheden data kan verwerken en er nuttige patronen uit kan halen die helpen bij toekomstige voorspellingen. Ondanks de indrukwekkende vooruitgangen is deep learning nog altijd beperkt. Als belangrijkste limitatie is deep learning niet in staat om te redeneren, waardoor het de gevonden patronen niet kan toepassen buiten situaties die eerder al zijn voorgekomen. Dit is vaak onaanvaardbaar: een zelfrijdende auto wordt verwacht een muur te ontwijken, zelfs als dat specifieke type muur nog niet eerder is gezien. Het doel van dit onderzoeksproject is deze limitatie te overbruggen door deep learning te combineren met methodes uit machine learning op basis van wiskundige logica. Deze methodes staan bekend om hun redeneervermogen. Dit is een uitdagend probleem, maar met een grote belofte: de resulterende methodes, die zowel complexe patronen kunnen ontdekken als kunnen redeneren, kunnen dan problemen aanpakken die momenteel niet op te lossen zijn.