Abstract

Il campo dei circuiti probabilistici ha conosciuto un forte sviluppo nell'ultimo decennio, in parte trainato dal colosso del deep learning. L'idea di costruire una rappresentazione dell'incertezza sotto forma di grafo di calcolo con componenti semplici si è dimostrata molto efficace per la probabilità classica. I modelli costruiti e le tecniche utilizzate possono servire da ispirazione per i ricercatori della comunità delle probabilità imprecise, e questo è il mio obiettivo per questo intervento. Si articolerà in tre parti. Prima di tutto, discuterò i circuiti probabilistici (imprecisi) da un punto di vista concettuale, in modo da poter immaginare molte varianti senza essere troppo influenzati da definizioni concrete di classi di modelli e vincoli computazionali. Poi, presenterò i risultati di due linee di ricerca del gruppo di ricerca Uncertainty in AI del TU/e. In particolare, mi concentrerò sulle reti somma-prodotto credali come classe concreta di modelli probabilistici imprecisi e sui circuiti integrali probabilistici come stato dell'arte attuale per la probabilità classica, reso possibile dalle tecniche di deep learning.

Biografia

Erik Quaeghebeur ha iniziato la sua carriera accademica nel gruppo di Gert de Cooman all'Università di Gand, lavorando su temi piuttosto fondazionali nella teoria delle probabilità imprecise, occupandosi di previsioni inferiori e scommesse desiderabili. Aveva intenzione di continuare su questa linea di ricerca e lo ha fatto in diversi luoghi interessanti in Europa e oltreoceano. In seguito si è sorpreso lui stesso passando alla ricerca sull'energia eolica, rafforzando le proprie competenze nella ricerca applicata. Successivamente è entrato a far parte del gruppo di Cassio de Campos all'Università di Tecnologia di Eindhoven, dove ha avuto l'opportunità di diversificarsi ulteriormente, collaborando a ricerche nel deep learning, nella quantificazione dell'incertezza per l'ingegneria meccanica, e tornando anche al lavoro fondazionale nel campo delle probabilità imprecise. Sin dall'inizio della sua carriera accademica, è stato sempre coinvolto nella didattica, dalle sessioni di esercitazione sulla teoria della probabilità ai corsi su sistemi e segnali, fino a un corso sui fondamenti dell'intelligenza artificiale e un corso sulle generalizzazioni della teoria della probabilità. Da qualche anno è entrato anche nella gestione della didattica, assumendo la responsabilità di un ampio programma magistrale in Data Science e IA. Ama parlare di ricerca, insegnamento e delle altre cose della vita.

Host

Alessandro Facchini, Professore associato in epistemologia, logica e etica dell'intelligenza artificiale e Co-Responsabile corso di laurea in Data Science and Artificial Intelligence SUPSI.