Inria-CWI

Hoofdonderzoekers
. Benoit Combemale, DiverSE-onderzoeksteam, Inria
Tijs van der Storm, groep Softwareanalyse en -transformatie, CWI & Rijksuniversiteit Groningen

Samenvatting
De software-engineering staat voor nieuwe uitdagingen door de opkomst van moderne software-intensieve systemen, zoals complexe, kritieke ingebedde systemen, cyberfysieke systemen en het internet der dingen. Toepassingsgebieden variëren onder meer van robotica, transportsystemen en defensie tot domotica, slimme steden en energiebeheer. Software is steeds alomtegenwoordiger, geïntegreerd in grote en gedistribueerde systemen, en dynamisch aanpasbaar in reactie op een complexe en open omgeving. Een belangrijk gevolg hiervan is dat bij de ontwikkeling van dergelijke systemen meerdere belanghebbenden betrokken zijn, die elk beschikken over een bepaalde vorm van domeinspecifieke kennis, en dat software in toenemende mate wordt ingezet als integratielaag. Daarom maken steeds meer organisaties gebruik van domeinspecifieke talen (DSL’s), zodat domeinexperts oplossingen rechtstreeks kunnen uitdrukken in termen van relevante domeinconcepten. Deze nieuwe trend brengt nieuwe uitdagingen met zich mee op het gebied van het ontwerpen van DSL’s, het verder ontwikkelen van een reeks DSL’s en het coördineren van het gebruik van meerdere DSL’s, zowel voor ontwerpers als voor gebruikers van DSL’s. ALE zal een bijdrage leveren aan het vakgebied van de Software Language Engineering, met als doel zowel taalontwerpers als taalgebruikers meer flexibiliteit te bieden. De hoofddoelstelling is tweeledig. Ten eerste willen we taalontwerpers helpen om te profiteren van eerdere inspanningen op het gebied van DSL-implementatie door bestaande taalmodules te hergebruiken en te combineren. Ten tweede willen we taalgebruikers meer flexibiliteit bieden door interoperabiliteit tussen verschillende DSL’s te waarborgen en live feedback te geven over hoe het model of programma zich gedraagt terwijl het wordt bewerkt (ook wel live programmeren/modelleren genoemd).

Website: http://gemoc.org/ale/
Trefwoorden: software-engineering, domeinspecifieke taal, taalontwerp en -implementatie, live programmeren

Hoofdonderzoekers
,Oana-Denisa Balalau, CEDAR-onderzoeksteam, Inria
,Davide Ceolin, Human-Centered Data Analytics-groep, CWI

Samenvatting
Van aanbevelingssystemen tot grote taalmodellen: datagestuurde AI-tools vertonen verschillende vormen van beperkingen en vooringenomenheid. Vooringenomenheid in AI-tools kan voortkomen uit meerdere factoren, waaronder vooringenomenheid in de invoergegevens waarop de AI-tools zijn getraind, het algoritme en de personen die verantwoordelijk zijn voor het ontwerpen van de AI-tools, en vooringenomenheid bij de evaluatie en interpretatie van de output van AI-tools. Beperkingen zijn het gevolg van technische moeilijkheden bij het uitvoeren van specifieke taken. Mediabedrijven maken in hun workflow gebruik van verschillende algoritmische hulpmiddelen: onder meer het extraheren van trefwoorden, entiteiten en relaties, het extraheren van gebeurtenissen, sentimentanalyse, automatische samenvatting, het detecteren van nieuwswaardige verhalen, de semi-automatische productie van nieuws met behulp van tekstgeneratiemodellen, en zoekfuncties. Gezien het belang van de mediasector voor onze democratieën kunnen tekortkomingen in de tools die zij gebruiken ernstige gevolgen hebben. Zowel Inria als CWI hebben partnerschappen met grote mediagroepen en kunnen hen helpen bij het aanpakken van vooringenomenheid en beperkingen in hun AI-workflows.

Website: in aanbouw

Trefwoorden: Natuurlijke taalverwerking; Machine learning en statistiek; Data- en kennisanalyse; Participatieve democratie; Informatiesystemen

Hoofdonderzoekers
Frédéric Alexandre, MNEMOSYNE-onderzoeksteam, Inria
Sander Bohte, Machine Learning-groep, CWI (Nederland) 

Samenvatting
Metacognitie is het proces waarbij dieren (en met name primaten) niet alleen leren een reactie of gedrag aan een situatie te koppelen, maar ook het functioneren (en met name de fouten) van deze eenvoudige cognitieve processen in de gaten houden en leren automatische reacties te remmen en in plaats daarvan contextueel passende gedragsregels te bevorderen. De belangrijkste leeralgoritmen die klassiek worden gebruikt in de kunstmatige intelligentie (begeleid leren en versterkend leren) komen overeen met eenvoudige cognitieve processen. Uit een groot aantal onderzoeken (waaronder die van ons) is gebleken dat er op deze gebieden een algemene structurele gelijkwaardigheid bestaat tussen klassieke en bio-geïnspireerde machine learning. Niettemin is de divergentie tussen algoritmen in de kunstmatige intelligentie en de computationele neurowetenschap veel groter wanneer we metacognitie in ogenschouw nemen. Dit motiveert de noodzaak om toekomstige, bio-geïnspireerde modellen van metacognitie voor kunstmatige intelligentie te ontwikkelen, naast hun intrinsieke belang voor de hersenwetenschappen, zoals wij in dit Associate Team voorstellen.

Trefwoorden: kunstmatige intelligentie, computationele neurowetenschap, metacognitie, machine learning

Website: in ontwikkeling

Hoofdonderzoekers
,Tommaso Taddei, MEMPHIS -onderzoeksteam, Inria
,Benjamin Sanderse, Scientific Computing-groep, CWI

Samenvatting
Modelorderreductie (MOR) van parametrische PDE’s is een gevestigd onderzoeksgebied binnen de wetenschappelijke informatica, dat tot doel heeft de marginale kosten te verlagen die gepaard gaan met het oplossen van parametrische systemen: MOR wordt ingegeven door toepassingen met veel query's (optimalisatie, parameter-sweeps) en realtime-toepassingen (interactief ontwerp, monitoring), die van nature voorkomen op het gebied van continuümmechanica. Ondanks de talrijke voorbeelden van toepassingen van MOR op grootschalige industriële problemen, blijft de praktische toepassing van MOR-technieken beperkt in computationele vloeistofdynamica (CFD). Om de huidige beperkingen van MOR-methoden aan te pakken, hebben verschillende auteurs structuurbehoudende projectietechnieken en niet-lineaire gegevenscompressiemethoden voorgesteld: de eerste hebben betrekking op een klasse van methoden die tot doel hebben opmerkelijke eigenschappen (bijv. positiviteit, behoud van entropie) van de oplossing van de onderliggende PDE te behouden, die op het niveau van de gereduceerde orde niet noodzakelijkerwijs gegarandeerd zijn; de laatste hebben betrekking op een klasse van methoden die gebruikmaken van een niet-lineaire benadering om het toestandsveld te schatten. Het doel van het Associate Team SPADES tussen het Inria-team MEMPHIS (PI: Tommaso Taddei) en het CWI (PI: Benjamin Sanderse) is het ontwikkelen van effectieve, structuurbehoudende, niet-lineaire modelreductietechnieken voor niet-stationaire, niet-lineaire PDE’s die voorkomen in computationele vloeistofdynamica (CFD). Het project profiteert van de zeer complementaire expertise van de twee partners op het gebied van niet-lineaire benaderingsmethoden en structuurbehoudende formuleringen van lagere orde, en heeft het potentieel om de grote uitdagingen aan te pakken die modelreductietechnieken met zich meebrengen voor een breed scala aan toepassingen in CFD.

Website: in aanbouw

Trefwoorden: Modelorderreductie; behoud van structuur; niet-lineaire benaderingen

Hoofdonderzoekers
,Xavier Allamigeon, TROPICAL-onderzoeksteam, Inria
,Daniel Dadush, Networks and Optimization Group, CWI (Nederland) 

Samenvatting
Het doel van het project is vooruitgang te boeken bij verschillende vraagstukken op het gebied van optimalisatie en speltheorie (complexiteit van lineaire programmering, semidefiniete programmering, spellen met gemiddelde uitbetaling, veilingtheorie en mechanismeontwerp) door gebruik te maken van hun verband met tropische meetkunde. In dit kader brengt het geassocieerde team het team „Network & Optimization“ van het CWI, dat beschikt over uitgebreide expertise op het gebied van combinatorische en sterk polynomiale algoritmen voor lineaire optimalisatie, evenals op het gebied van mechanismeontwerp, en het Tropical-team van Inria, dat baanbrekend werk heeft verricht bij de toepassing van tropische meetkunde op de complexiteit van convexe optimalisatieproblemen, mean payoff-spellen, bilevel-programmering en combinatorische veilingen. Het geassocieerde team zal de samenwerking tussen de twee teams bevorderen door de organisatie van gezamenlijke bijeenkomsten en bezoeken van vaste medewerkers en promovendi te financieren.

Trefwoorden: Optimalisatie; Discrete wiskunde, combinatoriek; Operationeel onderzoek; Meetkunde, topologie; Speltheorie; Informatica; Economie, financiën

Website: in ontwikkeling

Hoofdonderzoekers
, Pierre Gaillard, THOTH-onderzoeksteam, Inria
, Peter Grunwald, Machine Learning Team, CWI

Samenvatting
Het langetermijndoel van 4TUNE is om adaptief machine learning naar een hoger niveau te tillen. We streven ernaar verfijnde methoden te ontwikkelen die verder gaan dan de traditionele worst-case-analyse, om zo de structuur in het betreffende leerprobleem te benutten. We zullen nieuwe theorieën ontwikkelen en geavanceerde algoritmen ontwerpen voor de kerntaken van statistisch leren en het voorspellen van individuele sequenties. We zijn vooral geïnteresseerd in het begrijpen van de verbanden tussen deze taken en het ontwikkelen van uniforme methoden voor beide. Daarnaast zullen we de adaptiviteit onderzoeken ten aanzien van niet-standaardpatronen die voorkomen in embedded leertaken, met name bij iteratieve evenwichtsberekeningen.

Website:http://pierre.gaillard.me/4tune/

Trefwoorden: Machine learning en statistiek, Optimalisatie, Kunstmatige intelligentie

Hoofdonderzoekers
Benjamin Guedj, MODAL-onderzoeksteam, Inria
Peter Grunwald, Machine Learning Team, CWI

Samenvatting
Dit project vindt zijn oorsprong in de statistische leertheorie, die kan worden beschouwd als de theoretische basis van machine learning. Het meest gangbare raamwerk is een opzet waarbij men n trainingsvoorbeelden krijgt, met als doel een voorspeller te bouwen die efficiënt presteert op nieuwe (vergelijkbare) gegevens. Deze efficiëntie moet worden ondersteund door PAC-garanties (Probably Approximately Correct), bijvoorbeeld bovengrenzen voor het overrisico van een voorspeller die met hoge waarschijnlijkheid gelden. Dergelijke garanties gelden echter vaak onder strenge aannames die in de praktijk doorgaans nooit worden vervuld, zoals onafhankelijke, identiek verdeelde gegevens. Een realistischere modellering van gegevens heeft geleid tot veel onderzoek in verschillende richtingen: ten eerste het rekening houden met mogelijke gegevens (bijvoorbeeld afhankelijke gegevens of gegevens met zware staarten), en ten tweede in de richting van sequentieel leren, waarbij de voorspeller direct kan worden opgebouwd terwijl nieuwe gegevens worden verzameld. Wij zijn van mening dat actief leren een steeds realistischer paradigma is: een opzet waarin de leerling actief om gegevens vraagt (mogelijk onderhevig aan beperkingen, zoals opslagruimte, snelheid, kosten, enz.) en zijn zoekopdrachten aanpast om zijn prestaties te optimaliseren. De driejarige doelstelling van 6PAC (waarbij $6$ staat voor Sequential, Active, Efficient, Structured, Ideal, Safe – de zes onderzoeksrichtingen waaraan we willen bijdragen) is de weg te effenen naar nieuwe PAC-generalisatie en boven- en ondergrenzen voor steekproefcomplexiteit die verder gaan dan batch-leren. Onze ambitie is om bij te dragen aan verschillende leersituaties, variërend van sequentieel leren (waarbij datastromen worden verzameld) tot adaptief en actief leren (waarbij datastromen door het leeralgoritme worden opgevraagd).

Website:https://www.inria.fr/en/associate-team/6pac

Trefwoorden: Machine learning, statistische leertheorie, sequentieel leren, actief leren, PAC-Bayesiaans leren

Hoofdonderzoekers
Pietro Marco Congedo, DEFI-onderzoeksteam, Inria
Daan Crommelin, Scientific Computing Group, CWI

Samenvatting
Dit project heeft tot doel numerieke methoden te ontwikkelen die op efficiënte wijze rekening kunnen houden met niet-stationaire experimentele gegevens, synthetische gegevens afkomstig uit numerieke simulaties, de totale mate van onzekerheid die aan metingen verbonden is, en parameters van fysische modellen. We streven ernaar nieuwe algoritmen voor te stellen die stochastische modellering op basis van gegevens, onzekerheidspropagatie via computercodes en technieken voor gegevensassimilatie combineren. De toepassingen die ons interesseren hebben beide betrekking op het gebruik van hernieuwbare energiebronnen: windparken en organische Rankine-cycli (ORC's) op zonne-energie.

Website: https://team.inria.fr/communes/
Trefwoorden: kwantificering van onzekerheid, CFD, op gegevens gebaseerde stochastische modellering, gegevensassimilatie, hernieuwbare energie, windpark, ORC.

Hoofdonderzoekers
Michèle Sebag, TAO-onderzoeksteam, Inria
Enrico Camporeale, Multiscale Dynamics-groep, CWI

Samenvatting
Wij stellen een innovatieve benadering voor bij het modelleren van ruimteweer: het synergetische gebruik van geavanceerde simulaties in combinatie met technieken op het gebied van machine learning en data-assimilatie, om fouten als gevolg van niet-gemodelleerde fysische processen en parameteronzekerheden te corrigeren. We streven naar een werkelijk multidisciplinaire samenwerking tussen experts op het gebied van computationele wetenschap en data-assimilatietechnieken enerzijds (CWI) en experts op het gebied van machine learning en datamining anderzijds (INRIA). Ons onderzoeksdoel is het realistisch aanpakken van langetermijnvoorspellingen van ruimteweer, wat een enorme sprong voorwaarts zou betekenen op dit gebied. Dit voorstel komt op het juiste moment, aangezien de enorme hoeveelheid (vrij beschikbare) gegevens van ruimtemissies nog niet systematisch is benut in de huidige rekenmethoden voor ruimteweer. Wij zijn dan ook van mening dat dit werk tot baanbrekende resultaten zal leiden en nieuwe onderzoeksthema’s zal openen op het gebied van ruimteweer en computationele plasmafysica.

Website:https://projects.cwi.nl/mlspaceweather/
Trefwoorden: Ruimteweerprognoses, machine learning, data-assimilatie, plasmafysica

Hoofdonderzoekers
, Daniil Ryabko, SequeL-onderzoeksteam, Inria
Peter Grunwald, Machine Learning-groep, CWI

Samenvatting
Het centrale thema is het onderzoeken welke wetmatigheden uit sequentiële gegevens kunnen worden ‘afgeleerd’. Deze algemene vraag wordt met name bekeken in het kader van kansvoorspellingen en bandit-problemen, en mogelijk ook in verband met aanverwante statistische vraagstukken betreffende sequentiële gegevens. Bij kansvoorspellingen gaat het om het voorspellen van de kansen op toekomstige uitkomsten van een reeks gebeurtenissen op basis van het verleden. De vraag die aan de orde komt is: onder welke aannames over het stochastische mechanisme dat de gegevens genereert, is het mogelijk om voorspellingen te doen waarvan de fout verwaarloosbaar wordt naarmate er meer gegevens beschikbaar komen? Hier houden we specifiek rekening met de mogelijkheid dat de voorspellingen gebaseerd zijn op een model dat ‘fout maar bruikbaar’ is, d.w.z. dat het het gegevensgenererende mechanisme niet bevat. In dit ‘niet-realiseerbare’ of ‘verkeerd gespecificeerde’ geval luidt de vraag: onder welke voorwaarden is het mogelijk om voorspellingen te doen die convergeren naar de best beschikbare voorspellingen naarmate er meer gegevens beschikbaar komen? Dit soort vraagstukken vindt toepassing op diverse gebieden, zoals financiën, datacompressie, bio-informatica, milieuwetenschappen en vele andere. Het onderzoeksthema richt zich echter vooral op theoretische grondslagen en niet zozeer op toepassingen.

Website: in ontwikkeling
Trefwoorden: machine learning

Hoofdonderzoekers

Simon Apers, SECRET-onderzoeksteam, Inria
Anthony Leverrier, SECRET-onderzoeksteam, Inria
Ronald de Wolf, Algorithms & Complexity, CWI

Samenvatting
Dit project heeft tot doel instrumenten uit de spectrale grafentheorie toe te passen op het onderzoek naar kwantumcodes en kwantumalgoritmen, zoals SDP-oplossers en kwantumwandelingen. We willen met name meer inzicht verkrijgen in de verstrengeling en de voorbereidingscomplexiteit van lage-energietoestanden van een kwantumcode, of bijvoorbeeld de Gibbs-toestanden die ten grondslag liggen aan kwantum-SDP-oplossers. De spectrale graaftheorie biedt zowel een algebraïsche als een algoritmische koppeling tussen de spectrale en structurele of clusteringseigenschappen van lage-energietoestanden van grafen. Aangevuld met recent vastgestelde verbanden tussen clusteringseigenschappen en verstrengelingseigenschappen van kwantumtoestanden, bieden deze instrumenten een nieuwe en veelbelovende benadering voor de studie van deze toestanden. Vanuit algoritmisch perspectief willen we de spectrale grafiekverbinding gebruiken om kwantum-Gibbs-samplers van grafiek-Laplacians te verbeteren. Dergelijke samplers vormen een essentieel onderdeel van kwantum-SDP-oplossers en vormen een belangrijke hindernis bij het versnellen van benaderingsalgoritmen voor grafiekproblemen.

Website: in ontwikkeling
Trefwoorden: kwantumalgoritmen, kwantumfoutcorrectiecodes, spectrale graaftheorie

Hoofdonderzoekers
, Marie-France Sagot, ERABLE-onderzoeksteam, Inria
, Leen Stougie, groep Levenswetenschappen en Gezondheid (omgedoopt tot Evolutionary Intelligence), CWI

Samenvatting
Cellen worden beschouwd als de fundamentele structurele, functionele en biologische eenheden van alle levende systemen. Ze vormen de kleinste eenheden van het leven die zich zelfstandig kunnen vermenigvuldigen en worden vaak aangeduid als de bouwstenen van het leven. Levende organismen worden vervolgens ingedeeld in eencellige organismen – dit is het geval bij de meeste bacteriën en archaea – of meercellige organismen – dit is het geval bij dieren en planten. In feite kunnen meercellige organismen, zoals bijvoorbeeld de mens, worden gezien als samengesteld uit eigen (menselijke) cellen, maar ook uit vreemde cellen, vertegenwoordigd door de diverse bacteriën die in het organisme leven. Aangenomen wordt dat het aandeel van deze laatste ten opzichte van het aantal eigen cellen hoog is: bij mensen bedraagt dit bijvoorbeeld 90%. Meercellige organismen worden daarom ook wel omschreven als „superorganismen met een intern ecosysteem van diverse symbiotische microbiota en parasieten“.
In het uiterste geval zou men het leven dan kunnen zien als één verzameling, of een verzameling van verzamelingen van genetisch identieke of verschillende, zichzelf replicerende cellen die met elkaar interageren – soms nauw en gedurende lange evolutionaire perioden – met dezelfde of verschillende functionele doelstellingen. De interactie kan in evenwicht zijn, wat betekent dat deze voor alle partijen gunstig of neutraal is, of ze kan onstabiel zijn, wat betekent dat de interactie op een bepaald moment alleen gunstig is voor sommige cellen of verzamelingen van cellen en nadelig voor andere, of dat dit op een bepaald moment zo wordt. Bij de interactie kunnen andere levende systemen betrokken zijn, of systemen die worden beschreven als zich bevindend op de grens van het leven, zoals virussen, of anders genetisch of anorganisch materiaal, zoals respectievelijk transposabele elementen en chemische verbindingen.
Het toepassingsdoel van ERABLE (European Research team in Algorithms and Biology, formaal en experimenteel) is om, door middel van wiskundige modellen en algoritmen, dergelijke nauwe en vaak aanhoudende interacties beter te begrijpen, met als doel op langere termijn in sommige gevallen manieren te kunnen voorstellen om het evenwicht in een interactieve gemeenschap te beheersen of te herstellen door in te grijpen in de omgeving of bij de spelers, hoe zij spelen en wie er speelt.

Website:https://team.inria.fr/erable/en/
Trefwoorden: Algoritmen, Computationele biologie