Osnovne informacije projekta
Članovi projekta su:
-
David Kalaj— rukovodilac projekta / glavni istraživač; koordinator WG1.
-
Vladimir Jaćimović — koordinator WG3 i istraživač.
-
Vesna Popović-Bugarin — koordinator WG4 i istraživač.
-
Žana Vukićević-Kovijanić— koordinator WG2 i istraživač.
-
Nevena Mijajlović — član Savjetodavnog odbora i istraživač.
-
Goran Popivoda — član Savjetodavnog odbora i istraživač.
-
Đorđije Vujadinović — član Savjetodavnog odbora i istraživač.
-
Marijan Marković — istraživač.
-
Anton Gjokaj — istraživač.
-
Igor Jovančević — član Savjetodavnog odbora i istraživač.
-
Velibor Došljak — mladi istraživač.
-
Danilo Planinić — mladi istraživač.
-
Ajlan Zajmović — mladi istraživač.
-
Vehid Kurtić — mladi istraživač.
-
Nikola Pižurica — mladi istraživač.
-
Bernhard Lamel — istraživač, međunarodni partner iz Univerziteta u Beču.
-
Olivia Constantin — istraživač, međunarodni partner iz Univerziteta u Beču.
-
Luke Edholm — istraživač, međunarodni partner iz Univerziteta u Beču.
-
Miljan Vuletić — istraživač i predstavnik industrijskog partnera Darwin Digital; podrška u tehnološkim rješenjima, procjeni komercijalnog potencijala i mogućim patentnim/prototipskim aktivnostima.
Cilj ovog projekta je dvojak i obuhvata teorijske napretke u matematici, kao i principijelne pristupe mašinskom učenju (ML). Nedavni matematički rezultati članova projektnog tima imaju potencijal da uspostave teorijske osnove za inovativna ML rješenja. Iako potiču iz različitih matematičkih oblasti i metodologija, ovi napreci mogu se primijeniti na slične klase problema u mašinskom učenju. Budući da su matematički pristupi apstraktni i visoko konceptualni, ove inovacije su primjenjive u različitim kontekstima i prevazilaze granice pojedinačnih domena.
Projekat ima snažan teorijski aspekt, sa naglaskom na dalja matematička istraživanja. Istovremeno, fokusiraće se na ML modele za obradu hijerarhijskih podataka i na njihove matematičke osnove. Skupovi podataka sa nekom, moguće skrivenom, hijerarhijskom strukturom sveprisutni su u nauci, tehnologiji i svakodnevnom životu. Primjeri uključuju komunikacione i društvene mreže, molekule, prirodne jezike i ljudski mozak. U posljednje vrijeme široko je prepoznato da su takvi podaci vjernije predstavljeni u zakrivljenim mnogostrukostima nego u ravnim, euklidskim prostorima.
Ova ideja motivisala je prelazak ka novom matematičkom okviru, koji prevazilazi tradicionalne arhitekture mašinskog učenja snažno zasnovane na euklidskim strukturama. Utvrđivanje intrinzične zakrivljenosti i skrivenih simetrija u skupovima podataka pojavljuje se kao jedno od ključnih pitanja teorijskog mašinskog učenja u narednim decenijama. Principijelni pristupi zasnovani na visokom nivou matematičke ekspertize mogu povećati efikasnost i transparentnost algoritama drastičnim smanjenjem dimenzionalnosti podataka i izbjegavanjem „black-box“ arhitektura. Osnovni princip je da su ML modeli i arhitekture u velikoj mjeri određeni geometrijom podataka ili određenim fizičkim zakonima.
Projekat će se takođe fokusirati na implementaciju prototipskih rješenja za pojedine probleme mašinskog učenja, sa potencijalnim primjenama u različitim oblastima. Produbljivanjem i proširivanjem matematičkog okvira, kao i istraživanjem novih ML modela, projekat će doprinijeti krajnjem cilju objašnjive vještačke inteligencije, zasnovane na robusnim i efikasnim algoritmima.
Projekat će stvoriti sinergiju između teorijskih i primijenjenih matematičara i ML inženjera, omogućavajući prenos znanja od teorijskih dostignuća ka tehnološkim inovacijama. Time će se podstaći stimulativno okruženje za interakciju istraživača iz različitih oblasti, uz uključivanje mladih istraživača u savremena interdisciplinarna istraživanja. Pored toga, projekat će ostvariti snažan uticaj prevazilaženjem fragmentacije istraživačkih timova i jačanjem održivosti i konkurentnosti istraživačkih napora. Premošćavanjem jaza između teorijske matematike i praktičnih primjena mašinskog učenja, ova inicijativa će utrti put budućim probojima u obje oblasti.