José Antonio Oramas Mogrovejo hoofddocent

Onderzoek José Antonio Oramas Mogrovejo

Onderzoeksgroep

Expertise

Research interest: - Visual Representation Learning. - Model Explanation and Interpretation. - Collective Representations and Relational Learning. - Disentangled Representation Learning.

Automatisch gegenereerd en simulator gebaseerde Datasets om machine learning te bevorderen in de Autonome Scheepvaart (ADLAS). 01/01/2025 - 31/12/2026

Abstract

Het ADLAS project heeft als doel om datasets te ontwikkelen voor de AI-model training in autonome scheepvaart. Deze datasets zijn nodig om een veilige en efficiënte autonome navigatie technologie te verzekeren. Via dit onderzoek willen we bijdragen aan de AI-exploratie in autonome schepen door het creëren van diverse datasets voor het testen van modellen in gesimuleerde omgevingen. Deze simulatoren maken namelijk een rigoureuze evaluatie mogelijk van de prestaties en veiligheid van AI-modellen onder verschillende omstandigheden, die moeilijk te realiseren zijn in het echte werkveld. De gerealiseerde datasets zullen een basis vormen voor toekomstige projecten en bijdragen aan de ontwikkeling van de veiligheidsnormen in de autonome maritieme industrie door de validatie van AI-systemen in maritieme operaties. Het resultaat van dit project zal een open-source dataset zijn die de internationale onderzoekssamenwerking op het gebied van autonome maritieme schepen zal bevorderen. Door deze samenwerking tussen AI en nautische onderzoekers en de toepassing van operator gebaseerde training methodologieën kunnen het aanpassingsvermogen en de generalisatiemogelijkheden van AI-modellen verbeteren. In het algemeen streeft ADLAS ernaar om uitgebreide datasets te creëren voor AI-model training in autonome scheepvaart, door gebruik te maken van AMA's simulatoren en realistische lesgegevens om veiligheidsnormen en samenwerking in dit onderzoeksveld te bevorderen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Onderzoek naar paden en dynamiek van ligandbinding aan dipeptidyl peptidasen 4, 8 en 9 met behulp van moleculaire dynamica en deep learning benaderingen. 01/11/2024 - 31/10/2026

Abstract

Dit project focust zich op de dynamica die gepaard gaat met ligandbinding op dipeptidyl peptidasen (DPP) 4, 8 en 9. Ondanks het biologische belang van deze systemen, blijft het verkrijgen van selectiviteit een uitdaging door de vergelijkbare actieve site-architecturen. Zeer recent zijn echter verbindingen gesynthetiseerd die significant selectiever zijn voor DPP9 dan voor DPP8 en DPP4. Hoewel veelbelovend, blijft het probleem dat we de fysicochemische en structurele redenen voor deze selectiviteit niet begrijpen. Teneinde dit gebrek aan inzicht te beantwoorden, beoogt het voorstel om de dynamiek van ligandbinding aan DPP4, 8 en 9 te onderzoeken met behulp van een combinatie van moleculaire dynamica (MD)-gebaseerde simulaties en deep learning (DL)-technieken. Door grote datasets van MD-trajecten te genereren en DL te gebruiken om deze data te analyseren, zullen patronen worden onderzocht die ligandbinding beïnvloeden. Het project richt zich ook op de functionele rol van de twee kanalen die de interne bindingsplaats met de omgeving verbinden, met als doel nadien verbindingen te identificeren die kunnen binden in één van de twee kanalen. Verschillende studies gebruikten reeds MD om de dynamica van DPP's te bestuderen en om sleutelresiduen betrokken bij ligandbinding te identificeren. Er zijn echter geen studies die DL hebben toegepast om de ligandbindingsdynamiek in DPP's te onderzoeken. Dit project is een samenwerking tussen UAMC (FBD; UA) en IDLab (UA/IMEC).

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Leren bovenop memoriseren: topologische gegevensanalyse van het generalisatievermogen van diep leren. 01/10/2024 - 31/05/2028

Abstract

Diep leren heeft opmerkelijk succes bereikt in het oplossen van complexe problemen in diverse domeinen. Ondanks het algemeen gebruik ervan, blijft het fundamentele concept van generalisatie naar ongeziene data – dat ervoor zorgt dat het model de trainingsdata niet memoriseert, maar in plaats daarvan de onderliggende kenmerken leert – niet goed begrepen. De generalisatieprestatie wordt vaak post-hoc geëvalueerd via de voorspellingsnauwkeurigheid op test data. Het analyseren van generalisatie zonder test data echter, onthult het leerproces en of het model de beoogde kenmerken capteert. Dit omvat vaak de evaluatie van de complexiteit van het model, namelijk door een analyse van de beslissingsgrenzen en de geleerde parameters van het model. Huidige inspanningen zijn gericht op het vaststellen van generalisatiegrenzen of bepalen van simpele maatstaven die correleren met het generalisatievermogen van het model. Dit project heeft in plaats daarvan tot doel om topologische data analyse, meer bepaald persistente homologie, te exploiteren om de intrinsieke structuren van beslissingsgrenzen, getrainde parameters en activaties te beschrijven, die bijdragen aan superieure generalisatie. Het begrijpen van deze relatie biedt aanzienlijk potentieel voor het verbeteren van het modelontwerp, interpreteerbaarheid en hulpbron efficiëntie, en het verschaffen van waardevolle inzichten in het gedrag en tekortkomingen van diep leren, als leidraad voor toekomstige onderzoeksrichtingen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Vlaams Artificiële Intelligentie Onderzoeksprogramma (VAIOP) – tweede cyclus. 01/01/2024 - 31/12/2028

Abstract

Het Vlaams Artificiële Intelligentie Onderzoeksprogramma is een strategisch basisonderzoeksprogramma met een consortium van elf partners: de vijf Vlaamse universiteiten (KU Leuven, Universiteit Gent, Universiteit Antwerpen, Universiteit Hasselt, Vrije Universiteit Brussel) en zes onderzoekscentra (imec, Flanders Make, VIB, VITO, Sirris en ILVO). Het programma brengt 300+ onderzoekers samen op het gebied van nieuwe AI-methoden die kunnen worden gebruikt in innovatieve toepassingen in gezondheid, industrie, planeet en energie en samenleving. Op die manier draagt het programma bij tot een succesvolle adoptie van AI in Vlaanderen. De ambitie is dat Vlaanderen een sterke internationale positie inneemt op het vlak van strategisch basisonderzoek in AI, en dit binnen een sterk en duurzaam Vlaams ecosysteem. Er zijn vijf focusonderzoeksthema's geselecteerd: verantwoorde AI, mensgerichte AI, duurzame AI (energie-efficiënt en performant), productieve en data-efficiënte AI (systemen die weinig data nodig hebben, die presteren door data te combineren met domeinkennis en ervaring van experts) en veerkrachtige en performante AI (robuust tegen veranderingen in de omgeving). De beschrijving van de werkpakketten en hun onderzoekstaken definieert de aspecten binnen deze thema's die in het programma zullen worden onderzocht. De AI-oplossingen worden gedemonstreerd in real-life use cases. Deze resultaten tonen niet alleen de effectiviteit aan, maar inspireren ook bedrijven voor adoptie en onderzoekers voor verder onderzoek. Het Vlaams Artificiële Intelligentie Onderzoeksprogramma maakt deel uit van het Vlaams AI-beleidsplan. Meer info: www.flandersairesearch.be

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IMEC-Adaptieve menselijke operatorinteractie met autonome systemen (AHOI). 01/12/2023 - 31/03/2027

Abstract

Autonome systemen winnen steeds meer terrein in verschillende toepassingen, waaronder autonome scheepsnavigatie, autonoom rijden en robotica. Dit komt door de beschikbaarheid van grote hoeveelheden gegevens, wat de aanleiding vormt voor een grote hoeveelheid onderzoek naar de interpretatie van deze gegevens en de onafhankelijke besluitvorming daarbovenop. Het kenmerk van autonome systemen is dat ze in algemene zin worden beschouwd als onafhankelijk van menselijke tussenkomst en de potentie hebben om de prestaties te verbeteren, de kosten te verlagen en de veiligheid te verbeteren in een breed scala aan toepassingsdomeinen. Het grote probleem blijft echter dat deze systemen profiteren van de ontwikkelingen op het gebied van AI, die nog steeds een black box zijn. Hierdoor blijft de aard van hun besluitvorming een openlijke zorg en blijft hun schending van het vastgestelde beleid of de regelgeving in een bepaald toepassingsdomein een risico. Om deze zorgen aan te pakken, moet de aard van de interactie tussen mensen en autonome systemen opnieuw worden bekeken. In plaats van de een als toezichthouder op de ander te beschouwen, zou het doel moeten zijn om de voortdurende betrokkenheid van elkaar als een teamprobleem te onderzoeken. Adaptive Human Operator Interaction with Autonomous Systems (AHOI) heeft tot doel deze problemen aan te pakken. Onze nieuwe onderzoeksaanpak brengt een diverse groep onderzoekers samen die betrokken zijn bij verschillende onderzoeksdomeinen, zoals kunstmatige intelligentie (AI), uitlegbare AI (XAI), menselijke gedragswetenschappen, opleiding van maritiem personeel en mens-machine-interfaces (HMI) om het teamprobleem tussen mensen en autonome systemen in een gebruiksscenario voor het vermijden van aanvaringen in de korte vaart. Wij streven ernaar dit probleem op meerdere niveaus op te lossen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project website

Project type(s)

  • Onderzoeksproject

Vlaamse Artificiële intelligentie Europese Digitale Innovatie Hub (Vlaamse AI EDIH) 01/11/2022 - 31/10/2025

Abstract

Veel Vlaamse bedrijven zijn zich bewust van de potentiële impact van AI, maar de meeste kmo's hebben nog niet onderzocht hoe AI hun bedrijf zou kunnen beïnvloeden. Gezien het technologisch potentieel is er een urgentie om de adoptie van AI in Vlaanderen te versnellen. De Flanders AI EDIH versnelt de adoptie van AI bij (vooral) KMO's en organisaties uit de publieke sector door een geïntegreerd dienstenaanbod: (1) Test before invest: initieel advies, individuele coaching, AI technische haalbaarheidsstudie, juridische workshop, Start AI, (2 ) Vaardigheden en training: AI-inspiratiesessie, thematisch webinar & event, masterclass, AI Summerschool, (3) Ondersteuning bij het vinden van investeringen: infosessie, cursus financiële geletterdheid, matchmaking & finfinder-begeleiding (4) Innovatie-ecosysteem en netwerken: talent & vaardigheden matchmaking, matchmaking over AI vraag & aanbod, matchmaking over gezamenlijk onderzoek, Flanders AI Forum. De Flanders AI EDIH bestaat uit complementaire partners die garant staan voor een sectoroverschrijdende en laagdrempelige Vlaamse werking, met een lokale fysieke aanwezigheid in elke Vlaamse provincie. De Flanders AI EDIH versterkt bestaande Vlaamse initiatieven om versnippering van beschikbare AI-innovatiediensten tegen te gaan, en stemt haar dienstenaanbod actief af door nauwe samenwerking met het Vlaams Industrie Partnership, het Flanders AI Research Programme, de Flanders AI Academy (VAIA), de Vlaamse Supercomputer Centrum (VSC) en Enterprise Europe Network (EEN) Vlaanderen. De Flanders AI EDIH biedt momenteel een aantal smart spaces aan als test- en experimenteerfaciliteiten, onderhoudt directe links met bestaande innovatieactoren en -initiatieven (zoals de Vlaamse sectorgerichte DIH's) en sluit nauw aan bij het Vlaamse AI-beleidsplan. Op Europees niveau heeft de Vlaamse AI EDIH lopende structurele samenwerkingen via het AI DIH Network, het Smart Connectivity DIH Network (SCoDIHNet), de EPoSS Smart Systems EDIH Task Force, de Vanguard AI Pilot.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Visie-gebaseerde ongevalgevoelige simulatie voor autonome veiligheidskritische systemen. 01/11/2022 - 31/10/2025

Abstract

Autonome navigatie heeft de laatste tijd veel aandacht gekregen. Als gevolg daarvan zien we dat autonomie zich ontwikkelt in voertuigen en zijn weg vindt in veel transportsectoren (waaronder slimme scheepvaart). Toch is de huidige state-of-the-art (SOTA) technologie niet rijp genoeg voor een wijdverspreide toepassing op een hoger autonomieniveau (bv. niveau 4 en hoger). De belangrijkste reden hiervoor is dat deze systemen getraind worden op een massa real-world data, waarin vaak ongevalgevoelige scenario's ontbreken. Om dit probleem op te lossen, stel ik een oplossing voor die gebaseerd is op datagedreven neurale simulaties die realistische data leveren op basis van real-world voorbeelden en onveilige scenario's genereren (botsingen, ongevallen, enz.). Bovendien voorziet mijn systeem ook in veiligheidscontroles om onveilige scenario's te valideren en veilige grenzen te bieden voor de huidige autonome systemen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Antwerps Centrum voor Text Mining (TEXTUA). 01/01/2022 - 31/12/2026

Abstract

Kennis zit meestal opgeslagen in ongestructureerde data zoals tekst, die gestructureerd moet worden vooraleer de kennis toegankelijk gemaakt kan worden. De behoefte aan en mogelijkheden voor deze automatische tekstanalyse zijn de laatste tijd aanzienlijk toegenomen door ontwikkelingen in de kunstmatige intelligentie, niet alleen in de humane en sociale wetenschappen, maar ook in de exacte en medische wetenschappen. Het is de missie van ATMC om schaalbare oplossingen aan te bieden aan onderzoekers uit elke wetenschappelijke discipline die grote hoeveelheden tekstdata willen analyseren en gebruiken. Tekstdata moet hier in brede zin worden gezien, en omvat ook automatisch getranscribeerde spraak, geschreven tekst in afbeeldingen en afbeeldingen die automatisch in tekst worden beschreven. ATMC bundelt de unieke bestaande expertise in digitale tekstanalyse aan de Universiteit Antwerpen met speciale nadruk op "explainable AI", en zal de capaciteit bieden om het groeiende aantal interdisciplinaire vragen dat ons vandaag bereikt te ondersteunen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IMEC-Super Bio-versnelde Mineraalverwering: een nieuwe reactortechnologie voor klimaatmitigatie (BAM). 01/09/2021 - 31/08/2025

Abstract

Conventionele klimaatmitigatie alleen zal niet in staat zijn de atmosferische CO2-concentraties te stabiliseren op een niveau dat compatibel is met de opwarmingslimiet van 2°C van het Akkoord van Parijs. Veilige en schaalbare negatieve-emissietechnologieën (NET's), die actief CO2 uit de atmosfeer verwijderen en koolstof (C) op lange termijn vastleggen, zullen nodig zijn. Snelle vooruitgang bij de ontwikkeling van NET's is nodig, om deze technologieen op grote schaal te kunnen inzetten en de overschrijding van omslagpunten in het aardse systeem te kunnen voorkomen. Toch zijn er nog geen NET's klaar om op een duurzame, energie-efficiënte en kosteneffectieve manier grote hoeveelheden CO2 uit de atmosfeer te halen . BAM! ontwikkelt 'super bio-versnelde mineraalverwering' als een radicale, innovatieve oplossing voor de NET-uitdaging. Hoewel versnelde silicaatverwering (ESW) eerder naar voren werd geschoven als een potentiële NET, is de huidige onderzoeksfocus op 1/ ex natura carbonatatie of 2/ langzame in natura ESW, gelimiteerd in zijn mogelijkheden. BAM! concentreert zich op een ongeëvenaarde reactortoepassing om de biotische verweringsstimulatie te maximaliseren met een lage input van hulpbronnen, en de implementatie van een geautomatiseerd, snel lerend proces dat het mogelijk maakt kritische doorbraken op het gebied van verweringsgraad snel aan te nemen en te verbeteren. De ambitie is om een NET te ontwikkelen dat kan ingezet worden tegen klimaatrisico's op de korte termijn (binnen 10-20 jaar). BAM! bouwt voort op de natuurlijke processen die hebben geleid tot sterke veranderingen in natuurlijke silicaatverwering en verankert deze in een nieuwe reactortechnologie. Het ambitieuze doel is de ontwikkeling van een onmisbare oplossing voor klimaatmitigatie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IDLab - Internet en Data Lab 01/01/2021 - 31/12/2026

Abstract

Het IDLab IOF-consortium bestaat uit academische promotoren van de onderzoeksgroep IDLab, een onderzoeksgroep aan UAntwerpen met leden verbonden aan de faculteiten Wetenschappen en Toegepaste Ingenieurswetenschappen. IDLab ontwikkelt innovatieve, digitale oplossingen in twee grote onderzoekslijnen: (1) internettechnologieën met de focus op draadloze netwerken en Internet of Things (IoT) en (2) data science met de focus op gedistribueerde intelligentie en artificiële intelligentie (AI). De missie van het IDLab-consortium is de nummer één worden in Vlaanderen en ook een leidende partner in de wereld op het gebied van onderzoek en innovatie in de hierboven vermelde onderzoeksgebieden en dan voornamelijk op het vlak van stedelijke en grootstedelijke toepassingen (industrie, haven en wegen). IDLab richt zich op geïntegreerde oplossingen vanuit een applicatie en technologie perspectief om deze missie te verwezenlijken. Uit het oogpunt van de applicaties bieden we oplossingen aan voor alle belanghebbenden in grootstedelijke gebieden zodat we een vruchtbare kruisbestuiving tussen applicaties krijgen. Uit technologisch oogpunt, bestaat ons onderzoek uit hardware prototyping, connectiviteit en artificiële intelligentie wat ervoor zorgt dat we een complete, geïntegreerde oplossing van sensor tot software kunnen bieden aan onze industriële partners. De laatste jaren heeft IDLab de stad en haar omgeving verbonden door middel van sensoren en actuatoren. Het is nu tijd om (1) betrouwbaar en efficiënt de data te verbinden op een geïntegreerde manier om zo (2) de gegevens om te zetten in goed geïnformeerde inzichten en intelligente acties. Dit komt perfect overeen met onze twee grote onderzoekslijnen die we intensief willen valoriseren in de komende jaren. Het IDLab-consortium heeft een unieke positie in het Vlaamse ecosysteem om deze missie te verwezenlijken aangezien het consortium strategisch geplaatst is over verschillende onderzoeksgebieden en innovatieve belanghebbenden: (1) IDLab is een onderzoeksgroep verbonden aan het strategisch onderzoekscentrum imec, een leidend onderzoeksinstituut op het gebied van nano-elektronica en meer recent ook op het vlak van digitale technologie door geaffilieerde onderzoeksgroepen zoals IDLab. (2) IDLab heeft een strategische verbondenheid met IDLab Gent, een onderzoeksgroep aan de Universiteit Gent. Hoewel elke groep haar eigen onderzoeksactiviteiten heeft, wordt er een gemeenschappelijke onderzoeksstrategie gedefinieerd. In het het Vlaamse ecosysteem worden we samen gezien als de leidende partner in het onderzoek dat we uitvoeren. (3) IDLab is de mede-oprichter van The Beacon, een Antwerps ecosysteem voor innovatie waar startups, scale-ups, etc. die IoT- en AI-oplossingen ontwikkelen voor de stad, logistiek, mobiliteit en industrie 4.0, kunnen samenkomen. (4) IDLab draagt bij aan de valorisatie binnen UAntwerpen op het vlak van grootstedelijkheid, smart city en mobiliteit. Om onze valorisatie doelen te verwezenlijken, zal IDLab vier valorisatieprogramma's definiëren: VP1 Opkomende technologieën voor IoT van de volgende generatie, VP2 Menselijke artificiële intelligentie, VP3 Machine learning at the edge, VP4 Deterministische communicatienetwerken. Elk valorisatieprogramma wordt geleid door een van de copromotoren van het IDLab-consortium en bestaat uit twee of drie innovatie lijnen. Op deze manier zal het IDLab-onderzoek vertaald kunnen worden in een duidelijk programma-aanbod voor onze (industriële) partners wat ervoor zorgt dat we elk van hen een aanbod op maat kunnen geven. Elk valorisatieprogramma zal bijdragen aan de verschillende IOF-doelstellingen maar op een gedifferentieerde manier. Op basis van onze huidige ervaring zullen sommige valorisatieprogramma's zich meer toespitsen op lokale partners terwijl andere programma's zich hoofdzakelijk zullen richten op internationale en door de EU gefinancierde onderzoeksprojecten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

BIM on Building Site (BoB) 01/01/2022 - 31/12/2023

Abstract

Building Information Modeling (BIM) geeft inzicht in het ontwerp en de planning van een gebouw. Op de bouwwerf worden de voordelen van deze digitale weergave echter nog niet volledig benut. Updates van de planning worden tegenwoordig vaak nog handmatig uitgevoerd en zijn foutgevoelig, wat leidt tot vergissingen, vertragingen en kostenoverschrijdingen. BoB lost deze problemen op door een koppeling te maken tussen BIM en real-time voortgangs- en activiteitsgegevens op de bouwwerf. BoB zal AI-gestuurde technologie gebruiken om collectieve activiteiten te detecteren (bijv. beton storten, bekisten, graven) en automatisch de huidige staat van het gebouw vanuit beeldgegevens koppelen aan het BIM-ontwerp. Dit geeft de belanghebbenden op de bouwwerf het broodnodige inzicht in de werkelijke voortgang, vermindert kostenoverschrijdingen, verhoogt de efficiëntie, voorkomt fouten en vermindert bouwafval. Het in BoB ontworpen geconnecteerd dataplatform zal een opstap zijn naar een volledig geconnecteerde gedigitaliseerde bouwwerf.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Op leren gebaseerde voorstellingen voor de automatisering van hyperspectrale microscopische beeldvorming en predictief onderhoud 01/09/2020 - 30/11/2024

Abstract

In dit project zullen we ons richten op het ontwerpen van een model voor representatie-leren dat de detectie van vervuiling in microscopische voorbeelden in een zo vroeg mogelijk stadium uit hyperspectrale beelden (HSI) mogelijk maakt. Huidige methoden voor deze taak werken naast de RGB-beelden die afgeleid zijn van HSI. Rekening houdend met dit alles zullen we ons richten op het ontwerpen van een methode die in staat is om de volledige ruwe datakubus te analyseren die elk HSI-monster samenstelt en potentiële signalen te identificeren om de nauwkeurige detectie van de vervuiling in het monster mogelijk te maken. Bovendien, naarmate industriële klanten zich meer en meer bewust worden van de groeiende onderhoudskosten en stilstand als gevolg van de onverwachte machinebreuken, krijgen voorspellende onderhoudsoplossingen voor biofarmaceutische bedrijven meer interesse om een concurrentievoordeel te behouden. Om dit probleem aan te pakken, zullen we methoden onderzoeken om gegevenssporen te analyseren die afkomstig zijn van verschillende bronnen, bijv. computerlogboeken, rapporten van de operator, kwaliteit van de verzamelde voorbeelden, enz. om tijdspatronen te identificeren die kunnen dienen als sterke indicatoren voor een potentiële anomalie die in de nabije toekomst zal optreden op de bewaakte systemen. Ten slotte zullen voor beide bovenvermelde taken modelverklaringsalgoritmen worden onderzocht en ontworpen zodat de voorspellingen die door hun respectieve modellen worden gedaan, kunnen worden gerechtvaardigd. Bovendien zullen deze uitlegalgoritmen dienen om de getrainde modellen te debuggen en hun validiteit en robuustheid te beoordelen ten opzichte van artefacten, zoals biases, datalekken, etc., die tijdens de trainingsfase worden geïntroduceerd.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Multimodale relationele interpretatie voor diepe modellen. 01/05/2020 - 30/04/2024

Abstract

Interpretatie en verklaring van diepe modellen is van cruciaal belang voor de brede acceptatie van systemen die erop vertrouwen. Modelinterpretatie bestaat uit het verkrijgen van inzicht in de informatie die een model uit een reeks voorbeelden heeft geleerd. Modelverklaring richt zich op het rechtvaardigen van de voorspellingen die een model voor een gegeven input doet. Terwijl er een steeds groter wordende aandacht is om modelverklaring te onderzoeken, heeft modelinterpretatie aanzienlijk minder aandacht gekregen. Met dit project willen we een grote stap vooruit zetten in de interpretatie en het begrip van diepe neurale netwerken. Meer specifiek richten we onze inspanningen op vier complementaire richtingen. Ten eerste door de berekeningen van modelinterpretatie-algoritmen te verminderen en de helderheid van de visualisaties die ze produceren te verbeteren. Ten tweede, door interpretatie-algoritmen te ontwikkelen die complexe structuren kunnen ontdekken die zijn gecodeerd in de te interpreteren modellen. Ten derde, door algoritmen te ontwikkelen om multimodale interpretaties te produceren op basis van verschillende soorten gegevens, zoals afbeeldingen en tekst. Ten vierde, door een evaluatieprotocol voor te stellen om de prestaties van algoritmen voor modelinterpretatie objectief te beoordelen. Als resultaat willen we een aantal basisprincipes voorstellen die kunnen worden gevolgd om elk bestaand en toekomstig diep complex model beter te begrijpen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project website

Project type(s)

  • Onderzoeksproject

A-budget IMEC. 01/01/2020 - 31/12/2021

Abstract

Dit project maakt deel uit van de IMEC Kaderovereenkomst en wordt gegeven als structurele investering voor fundamenteel onderzoek op basis van jaarlijks vastgelegde KPI's van de groep aan IMEC. Dit A-budget is gedefinieerd binnen de IMEC Way of Working en maakt deel uit van de raamovereenkomst tussen de Universiteit Antwerpen en IMEC.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject