< Terug naar vorige pagina

Project

Efficiënte algoritmes voor extreme classificatie

De laatste jaren is de interesse toegenomen in het gebruik van technieken uit het domein van machinaal leren om informatie te categoriseren. Computers hebben een sterkere of vergelijkbare herkenningskracht gedemonstreerd ten opzichte van die van mensen. Niettegendstaande deze successen bestaat er nog steeds een aanzienlijke kloof tussen de schaalbaarheid en complexiteit van problemen die door mensen en computers kunnen opgelost worden. Kenmerkend is dat computers met behulp van machinaal leren meestal enkele honderden categorieën (labels) kunnen herkennen, terwijl mensen dit kunnen voor op zijn minst meer dan tienduizend categorieën. Statistische en computationele uitdagingen die gepaard gaan met de aanwezigheid van een extreem groot aantal labels heeft een nieuwe onderzoekslijn ingeleid, genaamd extreme classificatie. In dit onderzoeksdomein zijn standaard methoden, die een trainings- en voorspellingskost hebben die linear zijn in functie van het aantal labels, niet werkbaar. Algoritmes voor extreme classificatie vereisen vaak een complexiteit die sublineair is in ruimte en tijd. Een andere grote uitdaging is het bekomen van betrouwbare informatie voor training, en daarom dient men te kunnen omgaan met het leren uit onbetrouwbare informatie. Gegeven deze uitdagingen zal in dit project de focus liggen op het ontwikkelen van algoritmes die efficiënt problemen kunnen oplossen  die zich situeren in het domein van extreme classificatie.

Datum:1 okt 2019 →  30 sep 2021
Trefwoorden:grootschalig leren, Machine learning, extreme classificatie