Federated multi-task learning in Chemo-informatica

In farmaceutisch onderzoek en bio-informatica komen leerproblemen met een kleine steekproefomvang veel voor (voorspelling van eiwit-eiwit en geneesmiddel-doelwit interactie, voorspelling van fenotypes, enz.). In deze domeinen kan de vermindering van de steekproefcomplexiteit die wordt bereikt door het gezamenlijk trainen van een groot aantal gerelateerde taken (multitaskleren genoemd) essentieel zijn. De behoefte aan efficiënte leermethoden voor meerdere taken wordt verder gemotiveerd door het opkomende probleem van federatief leren, een poging om deze taken gezamenlijk te leren zonder de onderliggende datasets te delen. Naast de duidelijke praktische waarde, is multitasken leren goed gemotiveerd vanuit een theoretisch perspectief: het is een van de principes die biologische leermiddelen gebruiken om extreem lage steekproefcomplexiteit te leren. Het onderzoek is gericht op het ontwikkelen van efficiënte multitask-leermethoden met gunstige eigenschappen voor federatieve leertoepassingen, en methoden om hun prestaties te beoordelen. De belangrijkste onderzoeksrichtingen zijn nieuwe op neurale netwerken gebaseerde architecturen met flexibele schema's voor het delen van parameters (in plaats van de klassieke trunk-head-partitionering bij federatief leren), taaksubsetselectie en groepsbenaderingen. Verder zal het beoordelen van de prestaties op basis van voorspellende prestaties, voorspellende onzekerheid, computationele complexiteit en communicatievereiste in het geval van een toekomstige federatieve leerimplementatie een belangrijk onderwerp zijn in dit onderzoek.