Handling device and user variations by adaptive neural nets
- Reference number
- ID18-0095
- Start and end dates
- 190101-191231
- Amount granted
- 400 000 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Computational Sciences and Applied Mathematics
Summary
Machine learning is revolutionizing many industries and machine learning models are used in a wide range of applications, such as ADAS systems or self-driving cars, intelligent user interfaces and eye tracking. In many of these applications, the machine learning model is supposed to capture the properties of a physical device (such as a car) and/or the properties of a human user (such as the driver). These properties will vary across the population of devices (due to non-zero manufacturing tolerances) and users. Training a single machine learning model to fit the whole population, as is currently common practice, may not yield sufficient accuracy. On the other hand, training one model per device or user might not be practical or possible. We propose handling this with adaptable deep learning models, that during training capture the distribution or manifold of individual properties in the population instead of just the average. The model is then adapted to each device or user after deployment.
Popular science description
Maskininlärning har revolutionerat många områden inom industrin och modeller baserade på maskininlärning används idag för många olika tillämpningar, till exempel ADAS system och självkörande bilar, intelligenta användargränssnitt och eye tracking. I många av dessa tillämpningar förväntas maskininlärningsmodellen fånga egenskaper hos en fysisk enhet (till exempel en bil) eller en mänsklig användare (till exempel en förare). Dessa egenskaper kommer att variera över populationen av enheter och/eller användare. Att träna en enda modell som ska fungera på alla enheter och för alla användare kan leda till otillräcklig prestanda. Å andra sidan, att träna en modell per enhet eller användare blir snabbt opraktiskt eller omöjligt. Vi föreslår istället att man använder anpassningsbara maskininlärningsmodeller, som under träning lär sig hela fördelningen eller mångfalden av egenskaper i populationen istället för att bara lära sig medlet. Modellen anpassas sedan till varje enhet eller användare efter att den tagits i bruk.