Prosjektbeskrivelse
Forskere samler stadig flere bevis på at maskinlæringsmodeller basert på korrelasjon er skjøre. Disse modellene skiller ikke mellom korrelasjon og årsakssammenheng. Som sådan gir de begrenset innsikt og kan ikke resonnere om virkningene av handlinger. De tradisjonelle feltene logikk, kausal resonnering og dyp læring har slitt med å lære storskala årsaksmodeller i flere tiår. Hver tilnærming står overfor betydelige hindringer. CaReLearner-prosjektet skal utvikle en enhetlig tilnærming som skal løse kjerneutfordringene til hvert paradigme.
Prosjektet bygger på Tsetlinmaskinen og tar for seg den uløste læringsutfordringen innen logikk, skaleringsutfordringen til kausal resonnering og korrelasjonsavhengigheten til dyp læring. Vi vil dermed muliggjøre kausale og kontrafaktiske resonnementer i stor skala. Dette innebærer sammenkobling av bilder, tidsserier, tabelldata og tekst i tid og rom, for å håndtere utfordrende multimodale datasett fra kunnskapsintensive anvendelsesområder. En medisinsk datasett vil validere i hvilken grad de lærte modellene fanger opp årsaksmekanismer gjennom multimodale observasjoner vurdert av domeneeksperter.
I første fase i prosjektet har vi initiert forskning i tre retninger:
1) Multi-modale Tsetlinmaskiner som kombinerer tekst og bilde;
2) Skalerbar læring av Bayesianske nettverk fra data; og
3) Modellering og analyse av hvordan Tsetlinmaskinen fanger usikkerhet.
