![Illustration](https://dg.dk/wp-content/uploads/2024/07/chair-1280x862.jpg)
DNRF Chair Amir Yehudayoff
DNRF Chair:
Amir Yehudayoff
Periode:
1. juli 2024 - 30. juni 2027
Værtsinstitution(er):
Københavns Universitet
Machine learning (ML) og kunstig intelligens (AI) har en fantastisk indvirkning på vores verden. Teknologien har et stort potentiale, men er også forbundet med farer. Hvordan fungerer den, og kan vi stole på den? Forskningen sigter mod at bidrage væsentligt til det matematiske fundament for ML, da det er afgørende for at finde svarene.
Som ved mange videnskabelige bestræbelser gælder det også for ML, at et solidt matematisk fundament er afgørende for at finde svar. At opbygge et nøje fundament for ML er vigtigt for at forstå teknologiens evner, kontrollere dens resultater og styre den i de bedste retninger. Det kan gøre ML mere effektiv og give os mulighed for at bruge færre ressourcer. Det er også vigtigt for udvekslingen af viden mellem forskere og udviklere.
Et centralt mål er at give beviselige garantier for specifikke læringsalgoritmer. Sådanne matematiske garantier er afgørende for at kunne stole på adfærden og resultaterne af ML og AI. Et andet mål er at udvikle og analysere matematiske modeller for ML, da det at vælge de rigtige definitioner er afgørende for at gøre fremskridt.
Forskningen sigter mod to vigtige bidrag til det matematiske grundlag for ML. Det ene mål er en bedre forståelse af kompression i forbindelse med ML. Det andet mål er at videreudvikle teorien om listeindlæring (”list learning”) og efterfølgende forbedre vores forståelse af stabilitet, databeskyttelse og replikerbarhed. Dette kan føre til ML-algoritmer, der ikke lækker følsomme data, og til evnen til at replikere resultaterne af ML og AI. Vi har for nylig fundet ud af, at det matematiske felt topologi kan være et stærkt værktøj til at opnå begge mål, og vi planlægger at forfølge dette yderligere.