Machine Learning

Onze wereld wordt steeds meer data gedreven. De gegevens die we verzamelen hebben het potentieel om de besluitvorming in alle aspecten van onze samenleving te verbeteren. Van het behandelen van ziektes tot de verbetering van logistieke processen of verkeersstromen. Voor bestaande machine learning technieken is het belangrijk om impact te hebben op ‘real-world’ systemen, zoals verbeteringen aan gegevenstoegang inclusief het gebruik, de kwaliteit, labeling, gevoeligheid, beveiliging en voorspelling. De TU Delft wil bijdragen aan het effectiever en gebruiksvriendelijker maken van machine learning technieken zodat deze een positieve impact hebben op de kwaliteit van ons leven.

Fundamenteel & toegepast

Machine learning is de afgelopen jaren een van de meest impactvolle AI-paradigma’s geweest. Het is dus niet verwonderlijk dat machine learning een plek heeft ingenomen binnen bijna alle TU Delft disciplines. Het onderzoek kunnen we opdelen in fundamenteel onderzoek (gericht op fundamentele machine learning technieken) en toegepast onderzoek (toepassen en uitbreiden van bestaande technieken). Door het verenigen van fundamentele en toegepaste machine learning, kunnen we grenzen verleggen. Dit is waar innovatie en de toepassing samenkomen en waar de magie plaatsvindt!

We zijn er trots op dat wij onderdeel uitmaken van ELLIS, het Europese netwerk van excellentie op het gebied van machine learning en AI. De ELLIS Delft unit brengt ons fundamentele machine learning onderzoek samen. De focus ligt op het gebruik van leertechnieken als sleuteltechnologie om complexe taken aan te kunnen en om intelligente systemen aan te passen aan de omgeving, inclusief sociale omstandigheden.

Onderzoeksgebieden

Leren in niet statische en/of interactieve omgevingen

Ons onderzoek naar interactieve leerparadigma's (zoals versterkend leren, actief leren en causale inferentie) heeft tot doel te voorspellen hoe beslissingen uitkomsten beïnvloeden, en om modulaire beschrijvingen te vinden van een omgeving die beter bestand is tegen mogelijke vooroordelen.

Leren van complexe data

Het is buitengewoon moeilijk om zinvolle informatie te verzamelen uit complexe data in een niet standaard omgeving. De TU Delft heeft dit probleem aangepakt door algoritmen voor beeldverwerking, leren van voorspellende modellen van software, grafische neurale netwerken en actieve leerstrategieën voor onregelmatige gegevens te ontwikkelen.

‘Deep learning‘ en leren via representatie

Binnen verschillende TU Delft onderzoeksgroepen worden algoritmen ontwikkeld die latente representaties voor afbeeldingen en spraak kunnen helpen begrijpen en om beslissingen van ML-algoritmen te verklaren.

Beveiliging, veiligheid en robuustheid van ML

De TU Delft richt zich op tegenstrijdige leerscenario's en fundamentele vragen zoals: zal meer data altijd leiden tot betere prestaties? In het kader van beveiliging en veiligheid is het noodzakelijk dat modellen bestand zijn tegen manipulatie. We proberen daarom modellen te ontwikkelen die de acceptatie van ML-oplossingen in kritieke systemen stimuleren.

Toepassingsgebieden

Delfts onderzoek richt zich niet alleen op fundamentele technieken, maar ook op de impact van deze technieken op geavanceerde toepassingen. Binnen ons machine learning onderzoek wordt verbinding gelegd met onze andere AI-focusthema's.

Voorbeelden van labs die machine learning technieken gebruiken zijn: