Logo: to the web site of Uppsala University

uu.sePublications from Uppsala University
EnglishSvenskaNorsk
Change search
ExportLink to record
Permanent link

Direct link
BETA

Project

Project type/Form of grant
Project grant
Title [sv]
Probabilistisk djupregression - nya modeller och inlärningsalgoritmer
Title [en]
Deep probabilistic regression - new models and learning algorithms
Abstract [sv]
Mängden tillgängliga data ökar idag mycket snabbt, vilket kommer att fortsätta ha djupgående effekter på många aspekter av vårt samhälle. Vi befinner oss nu i en situation där det finns mer data än vi kan hantera, vilket kräver ny teknologi. Vi kommer att tillhandahålla viktiga delar av den här teknologin innefattande lösningar till regressionsproblem med hjälp av djupinlärning. Detta kommer sedan kunna användas för att lösa tillämpade problem inom t.ex. medicin och fysik. Specifikt intresserar vi oss for data från dynamiska system. Data är i sig själv inte tillräckligt, den måste modelleras och analyseras för att få fram användbar information. Detta bidrar till att det nu är viktigare än någonsin förut att automatiskt kunna bygga och arbeta med matematiska modeller. Dessa matematiska modeller utgör ett kraftfullt verktyg för att systematiskt lösa mer och mer komplexa problem.Vår forskning handlar om att utveckla nya flexibla modeller för att lösa nya regressionsproblem och även för att lösa redan befintliga problem på ett bättre sätt. Nyckeln ligger i en ny mix a probabilistiska modeller och djupa neurala nätverk. Vi kommer även att ta fram nya algoritmer för att automatiskt skapa dessa modeller från data. Förutom att ta fram nya modeller och algoritmer är även analysen av dessa en mycket viktig komponent i vår forskning. Mer konkret kommer vi att arbeta med flexibla modeller som explicit kan representera osäkerhet, inte bara för parametrar, utan även för strukturella aspekter hos modellen. De resulterande skattningsproblemen är mycket utmanande. Vi har under en lång tid bidragit till utvecklingen av så kallade sekventiella Monte Carlo algoritmer för en specifik klass av problem. Nyligen har vi insett att dessa algoritmer är generellt gångbara, vilket öppnar upp för spännande möjligheter som vi ska ta vara på. Tillsammans med våra samarbetspartners är vi mycket väl positionerade för att framgångsrikt hantera de nya problemen vi nu står inför.Detta projekt kommer att ge nya modeller och nya algoritmer med bestående värde av central betydelse för många vetenskapliga områden, vilket innebär att det finns många användare av resultaten.
Abstract [en]
Learning systems of the kind we develop in this project constitute core technology in all model-based engineered systems acting and interacting autonomously in a physical environment. We will develop and analyze new deep probabilistic regression models and learning algorithms. Modelling and learning nonlinear dynamics is given special attention. Our project consists of three strategically coupled research themes, each with its own concrete ideas. 1) Develop probabilistic representations that make use of the flexibility offered by deep neural networks to create new formulations of regression problems. Establish new theory to explain the overparameterized regime where deep learning models typically reside. 2) Establish and make use of the fundamental mechanisms allowing us to use sequential Monte Carlo within other learning algorithms. 3) Construct and learn flexible models of nonlinear dynamics, specifically deep energy-based models capable of representing nonlinear dynamical phenomena that generalize well to new data.This project opens up a new research direction compared to our ongoing VR project. In particular, Theme 1 is expected to result in significant performance improvements in many applied areas in the same way as deep learning has already reshaped several areas via improved classification performance. We have already established the necessary collaborations allowing us to pursue this project together with leading researchers around the world.
Principal InvestigatorSchön, Thomas
Coordinating organisation
Uppsala University
Funder
Period
2022-01-01 － 2025-12-31
National Category
Control EngineeringSignal Processing
Identifiers
DiVA, id: project:8652Project, id: 2021-04301_VR

Search in DiVA

Control EngineeringSignal Processing

Search outside of DiVA

GoogleGoogle Scholar
v. 2.47.0
|
WCAG
|
Uppsala University Library
|
Ask the Library
|
Log in to DiVA
|
Search and link in DiVA