Georgios Arvanitidis

Projekttitel

GADL: Geometrisk analyse af dyb læring

Hvad handler dit projekt om?

Teknologien til kunstig intelligens (AI) udvikler sig hurtigt og finder anvendelser i alle aspekter af vores liv; fra mindre beslutninger som at anbefale en video til mere komplekse opgaver som at køre bil og endda vigtige problemer såsom sygdomsdiagnosesystemer. Hovedårsagen til disse fremskridt er fremskridtene inden for deep learning-området, hvor både modellerne og de optimeringsprocesser, der bruges til at træne dem med de givne data, er særligt komplekse. På trods af praktiske resultater står et centralt forskningsspørgsmål stadig tilbage ubesvaret: Hvordan udviser disse modeller høj ydeevne på nye, usete data? Målet med mit projekt, GADL, er at analysere dette koncept, kendt som generalisering, og forklare adfærden af deep learning-metoder, der er afhængige af differentialgeometri. Vi kan udforske og studere flere aspekter af deep learning fra det geometriske perspektiv, hvilket muliggør udvikling af nye læringsteorier til de tilhørende modeller.

Hvordan opstod din interesse for dit forskningsfelt?

Jeg har altid været interesseret i matematik, fordi nogen med kreativitet og fantasi kan modellere og analysere potentielt alle typer problemer på en streng måde. Jeg nyder især geometri, da det naturligvis letter den intuitive visualisering af abstrakte begreber. I løbet af mine bachelorstudier opdagede jeg feltet maskinlæring, hvor matematiske modeller udvikles og trænes til at løse bestemte opgaver givet relevant data, der danner grundlaget for moderne AI. Som ph.d.-studerende kombinerede jeg disse to interesser ved at arbejde i krydsfeltet mellem geometri og maskinlæring med fokus på udvikling af modeller. På det seneste har jeg været fascineret af det spændende generaliseringsbegreb i deep learning, hvor den iboende geometriske information giver mange muligheder for analyse.

Hvad er de forskningsmæssige udfordringer og perspektiver ved dit projekt?

De længe eksisterende læringsteorier er ikke i stand til at forklare generaliseringen i deep learning. Mens moderne tilgange er blevet foreslået, er de typisk afhængige af modstridende og urealistiske antagelser, deraf fraværet af en samlet og overbevisende teori. Hovedårsagen er den iboende kompleksitet af deep learning-modeller, hvilket gør det særligt udfordrende at forstå, hvordan de lærer og analysere den faktiske adfærd i den tilhørende optimeringsproces. Differentialgeometri ser ud til at være en lovende matematisk ramme til at studere modellers statiske egenskaber og dynamikken i læreprocessen, da den nærmer sig problemet fra et andet og underudforsket perspektiv.

Hvilke perspektiver vurderer du selv, at din forskning på sigt kan have for det omgivende samfund?

Kunstig intelligens er integreret og brugt flittigt i alle aspekter af vores liv, og det er derfor essentielt at vide, hvordan de tilknyttede modeller opfører sig. Vi har brug for evnen til at vurdere generaliseringsevnerne og den specifikke adfærd i de modeller, vi anvender. Dette bliver afgørende i mange applikationer, for eksempel i sygdomsdiagnosesystemer, autonom kørsel eller endda i klimamodeller, som vi kan være afhængige af for at udforme politikker. Vores forskningsmiljø fokuserer på at give overbevisende svar på det grundlæggende spørgsmål om generalisering, og vi forventer, at dette projekt vil bidrage væsentligt til at gøre AI troværdig.

Hvad vil det betyde for din forskerkarriere, at du indgår i Sapere Aude-programmet?

Jeg er taknemmelig for at have modtaget den prestigefyldte Sapere Aude: DFF-forskningsleder-bevilling, som giver en unik mulighed for at igangsætte min forskningsgruppe, etablere min forskningsniche og starte nye samarbejder med bemærkelsesværdige internationale grupper. Dette styrker markant min udvikling som forsker og gruppeleder, muliggør forfølgelsen af mange interessante ideer og sætter grunden til yderligere at udvide min forskningsdagsorden i fremtiden.

Lidt om mennesket bag forskeren

Jeg kommer fra en lille by i det nordlige Grækenland. Efter at have afsluttet min bacheloruddannelse fortsatte jeg min akademiske rejse i udlandet, i Tyskland og Danmark. Uden for arbejdet kan jeg godt lide at tilbringe tid med venner, lave mad, læse, lejlighedsvis fiske om sommeren og vandre. Min datter bruger konstant min energi, men til gengæld får hun mig til at grine hele tiden. Generelt bevarer jeg en optimistisk holdning og positiv stemning, og nyder alle aspekter af mit liv.