Zelf-supervisie, Causaliteit en Equivariantie

Sindy Löwe onderzocht hoe een algoritme kan leren van beeld en audio-data zonder labels. Ze introduceert Greedy InfoMax, een nieuw verdeel-en-heers mechanisme dat een diep neuraal netwerk opsplitst in individuele modules, die elk individueel leren door zelf-supervisie. Pim de Haan identificeert dat behavioral cloning algoritmes, die leren door interactie met hun omgeving, de causale structuur van de interactie negeren. Ondanks beschikbaarheid van meer data om van te leren, presteren deze algoritmes dan juist slechter. Hij onderzoekt hoe het probleem ontstaat en hoe het met behulp van causale modellen voorkomen kan worden. Gabriele Cesa studeert op equivariante eigenschappen van neurale netwerken. Door deze eigenschappen expliciet op te nemen in de netwerkarchitectuur leren ze sneller en generaliseren ze beter. Hij implementeert een breed scala aan bestaande en door hemzelf voorgestelde equivariante netwerkkarchitecturen en vergelijkt hun accuratesse. Sindy, Pim en Gabriele presenteren hun werk volgende week in Vancouver, Canada. Daarna gaan ze verder met hun promotie-onderzoek bij de UvA; Gabrielle en Pim bij het QUVA Lab en Sindy bij het Delta Lab.