Onderzoeksgroep

Invariante modellen leren aan de hand van causaal machinaal leren. 01/11/2021 - 31/10/2022

Abstract

Traditionele technieken in het veld van machinaal leren zijn gericht op het ontwikkelen van voorspellende modellen die als enig doel hebben een hoge mate van nauwkeurigheid te verkrijgen op een bepaalde dataset. Dit soort modellen maakt gebruik van elk type associatie tussen de invoer- en doelvariabelen die de prestaties kunnen verbeteren. In de praktijk zijn er echter vaak significante verschillen tussen de training en de testverdeling, wat resulteert in onbetrouwbare en falende modellen. De sleutel tot het leren van generaliseerbare modellen die in een breed scala van omgevingen toepasbaar zijn (en die niet worden beïnvloed door kleine veranderingen in de testverdeling), ligt in het leren van causale voorspellende kenmerken. Het leren van causale modellen onder veranderende omgevingen en in systemen met verborgen verstorende factoren is echter een onopgelost probleem en houdt rechtstreeks verband met het generalisatieprobleem. In dit project willen we het nieuwe kader van causaal machinaal leren gebruiken om algoritmen te ontwikkelen die kunnen omgaan met veranderende omgevingen. Meer specifiek richt dit project zich op het leren van invariante en causale representaties uit data met behulp van causaal machinaal leren. De resultaten zijn modellen waarvan bewezen is dat ze beter generaliseerbaar zijn, interventies kunnen modelleren en interpreteerbare causale relaties direct uit data kunnen halen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject