Algebraisches maschinelles Lernen (AML) wurde kürzlich als neues Lernparadigma vorgeschlagen, das auf der Abstrakten Algebra, der Modelltheorie, aufbaut. Im Gegensatz zu anderen populären Lernalgorithmen ist AML keine statistische Methode, sondern erzeugt verallgemeinernde Modelle aus semantischen Einbettungen von Daten in diskrete algebraische Strukturen mit den folgenden Eigenschaften:
P1: Ist weitaus weniger empfindlich für die statistischen Eigenschaften der Trainingsdaten und passt (oder verwendet sogar) keine Parameter P2: Hat das Potenzial, unstrukturierte und komplexe Informationen, die in Trainingsdaten enthalten sind, nahtlos mit einer formalen Darstellung des menschlichen Wissens und der Anforderungen zu integrieren; P3. Verwendet interne Darstellungen, die auf diskreten Mengen und Diagrammen basieren und einen guten Ausgangspunkt für die Erstellung von menschlich verständlichen Beschreibungen dessen bieten, was, warum und wie gelernt wurde. P4. Kann in einer verteilten Weise implementiert werden, die zentralisierte, in die Privatsphäre eingreifende Sammlungen großer Datensätze zugunsten einer Zusammenarbeit vieler lokaler Lernender auf der Ebene der gelernten Teildarstellungen vermeidet.
Das Ziel des Projekts ist es, die oben genannten Eigenschaften der AML für eine neue Generation interaktiver, humanzentrierter maschineller Lernsysteme zu nutzen: - Verzerrungen reduzieren und Diskriminierung verhindern, indem die Abhängigkeit von statistischen Eigenschaften von Trainingsdaten (P1) reduziert wird, menschliches Wissen mit Einschränkungen integriert wird (P2) und das Wie und Warum des Lernprozesses erforscht wird (P3) - Vertrauen und Verlässlichkeit fördern, indem "harte" von Menschen definierte Einschränkungen im Lernprozess respektiert werden (P2) und die Erklärbarkeit des Lernprozesses verbessert wird (P3) - Integration komplexer ethischer Zwänge in Systeme der Menschlichen KI, indem man über grundlegende Voreingenommenheit und Diskriminierungsprävention (P2) hinausgeht und die Ethik in Bezug auf den Lernprozess zwischen Menschen und dem KI-System interaktiv gestaltet (P3) - Erleichterung einer neuen verteilten, inkrementellen kollaborativen Lernmethode, die über den vorherrschenden Offline- und zentralisierten Datenverarbeitungsansatz hinausgeht (P4)
Partner
- PROYECTOS Y SISTEMAS DE MANTENIMIENTO SL (eProsima)
- CHAMPALIMAUD Foundation
- Algebraic AI S.L.
- DEUTSCHES FORSCHUNGSZENTRUM FUR KUNSTLICHE INTELLIGENZ GMBH (DFKI)
- INSTITUT NATIONAL DE RECHERCHE ENINFORMATIQUE ET AUTOMATIQUE (INRIA)
- TECHNISCHE UNIVERSITAET KAISERSLAUTERN FIWARE FOUNDATION EV (TU KL)
- Teknologian tutkimuskeskus VTT Oy
- UNIVERSIDAD CARLOS III DE MADRID
