Hantering av systemvariationer med adapterbara neuronnät
- Diarienummer
- ID18-0095
- Start- och slutdatum
- 190101-191231
- Beviljat belopp
- 400 000 kr
- Förvaltande organisation
- KTH - Royal Institute of Technology
- Forskningsområde
- Beräkningvetenskap och tillämpad matematik
Summary
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.
Populärvetenskaplig beskrivning
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.