W dniach 28-29 października 2021 r. w Vancouver odbywała się zdalnie poprzez udział w platformie Whova konferencja naukowa Future Technolgies Conference, w której czynny udział brał dr hab. inż. Dominik Strzałka, prof. PRz. W ramach konferencji zostało przedstawione wystąpinie dotyczące tematu: In Search of Machine Learning Theory przygotowane wspólnie z prof. Eugeniuszem Eberbachem. Efektem wystąpienia jest także artykuł naukowy opublikowany w Lecture Notes in Networks and Systems, Proceedings of the Future Technologies Conference (FTC) 2021, Volume 1, pp. 599-615.
W zaproponowanym podejściu zauważono, że uczenie maszynowe (ML) i sztuczna inteligencja (AI) ogólnie opierają się na algorytmach wyszukiwania. W artykule użyto paradoksalnie tych samych technik wyszukiwania, aby poszukać ogólnej teorii uczenia maszynowego. Innymi słowy, szukano ujednoliconej teorii uczenia maszynowego. W tym celu okazuje się, że pomocna jest ogólna teoria obliczeń, zwana rachunkiem $, czyli oparta na metaposzukiwaniu i modelach superturingowych/hiperobliczeniowych. W ten sposób udało się ujednolicić uczenie maszynowe, co w przyszłości powinno przydać się przy opracowywaniu nowych metod, algorytmów, urządzeń wbudowanych i programów komputerowych. Po pierwsze, przedstawiono główne obszary uczenia maszynowego jako wybrane przykłady szkoleniowe, a stosując wiedzę podstawową, ręczne wybieranie hipotetycznie rozsądnej teori ML. Następnie uzasadniono, że jest to dobre uogólnienie ML. Otwartym pytaniem badawczym pozostaje, czy stosując różne techniki ML, można automatycznie indukować optymalną teorię ML z przestrzeni hipotez możliwych teorii.
Artykuł można znaleźć na stronie:
https://link.springer.com/chapter/10.1007/978-3-030-89906-6_40
