| Identifikační kód |
GF21-33574K |
| Důvěrnost údajů |
S - Není předmětem státního či obchodního tajemství a data lze v souladu s právními předpisy poskytnout do veřejně přístupných
informačních systémů včetně mezinárodních |
| Název projektu v původním jazyce |
Celoživotní strojové učení z datových proudů |
| Název projektu anglicky |
Lifelong Machine Learning on Data Streams |
| Poskytovatel |
GA0 - Grantová agentura České republiky (GA ČR) |
| Program |
GF - Mezinárodní grantové projekty hodnocené na principu LEAD Agency (2015 - 2030) |
| Kategorie VaV |
ZV - Základní výzkum |
| Hlavní vědní obor |
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) |
| Vedlejší vědní obor |
- |
| Další vedlejší vědní obor |
- |
| Zahájení řešení |
01.01.2021 |
| Ukončení řešení |
31.12.2023 |
| Datum posledního uvolnění účelové podpory |
02.03.2023 |
| Číslo smlouvy |
21-33574K |
| Poslední stav řešení |
U - Ukončený (rok ukončení projektu < rok sběru dat, v roce sběru dat již není financován ze SR) |
| Finance projektu | 2021 | 2022 | 2023 | celkem |
|---|
| Výše podpory z národních zdrojů | 1 579 978,341580 | 1 711 917,751712 | 1 444 779,061445 | 4 736 675,154737 | | Výše podpory z veřej. zahraničních zdrojů *** | 0,000 | 0,000 | 0,000 | 0,000 | | Celkové uznané náklady | 1 579 978,341580 | 1 711 917,751712 | 1 444 779,061445 | 4 736 675,154737 | | Typ | čerpané | čerpané | čerpané | |
** Finance v tisících Kč jsou automaticky zaokrouhleny z částky v jednotkách Kč s přesností na 2 desetinná místa
*** Výše podpory z veřejných zahraničních zdrojů je sledována od období sběru 2020 |
|
Zobrazit skutečně čerpané finance projektu z národních zdrojů »
| Skutečně čerpané finance projektu z národních zdrojů | 2021 | 2022 | 2023 | celkem |
|---|
| Finance | 1 579 978,341580 | 1 711 917,751712 | 1 444 779,061445 | 4 736 675,154737 |
|
| Druh soutěže |
M2 - Dvoustranná dohoda o mezinárodní spolupráci |
| Veřejná soutěž ve výzkumu, vývoji a inovacích |
- |
| Cíle řešení v původním jazyce |
Poptávka po vývoji účinných metod strojového učení pro výzkum datových proudů roste. Množství informací, které procházejí datovými toky, je v dnešní době obrovské a v této oblasti existuje několik výzev. V tomto projektu se zaměřujeme na vývoj inovativních systémů celoživotního učení pro řešení známých problémů výzkumu datových proudů. Očekáváme, že poskytneme nové poznatky pro detekci změn (driftů) pomocí geometrických metrik a pokročilých topologických technik. Kromě toho budeme zkoumat zobrazení datových proudů pomocí projekcí, komprese dat a prostorového modelování. Dále plánujeme vyvinout nové metody založené na rekurentních neuronových sítí a představit metody učení pro řešení specifických problémů souvisejících s celoživotním vzděláváním nad datovými proudy. Dalším problémem, který plánujeme studovat, je paradigma elasticita-stabilita. Výhody vyvinutých nástrojů budou demonstrovány na simulovaných datech a realistických scénářích. Zejména plánujeme použít simulaci vzácných událostí k vyhodnocení výkonnosti našich nově navržených metod. |
| Cíle řešení v anglickém jazyce |
There is an increasing demand for developing efficient machine learning methods for streaming data research. Nowadays, the amount of information that goes through the streams is enormous, and several challenges are presented. In this project, we aim to develop innovative lifelong learning systems for tackling well-known problems of streaming data research. We expect to provide new insights for drift detection using geometric metrics and advanced topological techniques. Besides, we will explore stream data representation using projections, data compression, and feature space modeling. Furthermore, we plan to provide new development in the area of recurrent neural networks and ensemble learning methods for solving specific problems related to lifelong learning over streaming data. Another problem that we plan to study is the plasticity-stability paradigm. The advantages of the developed tools will be demonstrated on simulated data and realistic scenarios. In particular, we plan to use rare event simulation for evaluating the performance of our proposals. |
| Klíčová slova v anglickém jazyce |
data streams;lifelong learning;feature modeling;drift concept;ensemble methods;recurrent neural networks;knowledge representation |
| Kontrolní číslo stavu projektu v letech |
2021: 190724369 ( v1.0 )
2022: 190739512 ( v2.0 )
2023: 190743284 ( v1.0 )
2024: 190757996 ( v1.0 ) |
| Datum dodání posledního záznamu o projektu |
21.05.2024 |
| Systémové označení dodávky dat |
CEP24-GA0-GF-U |