Deep learning-modellen: dualiteit, robuustheid en generalisatie-eigenschappen

De steeds toenemende schaal van moderne wetenschappelijke en technologische gegevensreeksen roept urgente eisen op voor gegevensgestuurde leeralgoritmen die niet alleen de gewenste voorspellingsnauwkeurigheid behouden, maar ook een hoge rekenefficiëntie hebben. Een grote uitdaging is echter dat de data-analyse en leeralgoritmen die geschikt zijn voor bescheiden gegevenssets vaak in de problemen komen of zelfs onhaalbaar zijn om datasets met grote volumes aan te pakken. In dit onderzoek zullen grootschalige algoritmen worden bestudeerd voor supervised, unsupervised en semi-supervised data-driven modeling. Er zal een modelklasse worden bestudeerd waarvoor dualiteitsprincipes (bijvoorbeeld in de zin van primaire en dubbele modelrepresentaties en kernelmethoden) belangrijk zijn. Schaalbaarheidseigenschappen, stabiliteit van leeralgoritmen en generalisatie-eigenschappen zullen worden onderzocht.