Robustness to Noise in Machine Learning

For at forbedre den tillid, vi kan have til maskinlæringssystemer, skal vi råde over robuste algoritmer til træning af nye modeller og til test af eksisterende. Sådanne algoritmer skal være teoretisk solide og beregningsmæssigt effektive, så de kan bruges i praksis. Dette projekt har ambitionen om at give nye indsigter i problemet med at lære fra data, der er påvirket af støj (af statistisk eller endda kontradiktorisk karakter). Jeg vil opnå dette ved at udføre grundforskning for at identificere og håndtere statistiske og algoritmiske udfordringer i robust træning og testning. Resultaterne af dette projekt vil have en dobbelt effekt. For det første vil de forbedre pålideligheden af ​​maskinlæringssystemer, hvilket er afgørende inden for sikkerhedskritiske områder. For det andet vil de udvide omfanget af, hvor maskinlæring kan anvendes sikkert, ved at lempe de, typisk idealiserede, antagelser, man skal placere på inputdataene.