Forskningsprojekt
WASP-finansierat AI/Math projekt inom statistisk inlärning, särskilt inom icke-konvex inlärning och inferens.
WASP har lanserat ett program som utvecklar matematiken bakom AI och stärker Sveriges position i området. Detta projekt är en del av WASP:s rekryteringsprogram och är tänkt att ytterligare utveckla forskningsmiljön inom statistisk inlärning, särskilt inom icke-konvex inlärning och inferens, vid Institutionen för matematik och matematisk statistik, Umeå universitet.
I projektet ingår ett rekryteringspaket innefattande en biträdande universitetslektor, en doktorand, två postdoktorala forskare och projektmedel, med en budget ca 14 mkr över 5 år.
Industriella robotar, autonoma bilar, algoritmer som handlar aktier och utvärdering av medicinska bilder med djupinlärningsalgoritmer kräver alla realtids, intelligent och automatiserat beslutsfattande från komplexa och heterogena data i en ständigt växande skala och takt. Det här innebär teoretiska och algoritmiska utmaningar utan motstycke samt möjligheter för forskare att samla in och transformera data till information, förutsägelser och intelligenta beslut.
Optimeringsteori är centralt i modern statistisk inlärning och i föregrunden för denna. Det huvudsakliga syftet med detta projekt är att utveckla nästa generations inlärningsteori för att ta sig an ovanstående utmaningar i kontexten av modern statistisk inlärning samt möjligen utforska deras tillämpningar inom AI, inklusive medicinska bilder, automatisk kvalitetskontroll och självkörande bilar, utvärderade både på simulerad och riktiga data.