Zapraszamy do zapoznania się z najnowszymi wynikami prac badawczych prowadzonych przez dra Tomasza Steifera z IPPT PAN we współpracy z innymi badaczami, które zostały ogłoszone podczas prestiżowej konferencji Conference on Learning Theory (COLT).
Artykuł pt.: „Find a witness or shatter: the landscape of computable PAC learning” -> pdf do pobrania:: 
Dr Tomasz Steifer kształcił się na Uniwersytecie Warszawskim, na międzywydziałowych studiach oraz na studiach licencjackich z neuroinformatyki. Doktorat obronił w Instytucie Podstaw Informatyki PAN w 2020 roku. Z IPPT PAN związany jest od 10 lat, początkowo na praktykach studenckich, później na stanowisku technicznym i od 2021 roku jako adiunkt.
Obecnie zajmuje się głównie logiką matematyczną i informatyką teoretyczną; wcześniej prowadził również badania z przetwarzania sygnałów i obrazowania ultradźwiękowego. Odbył staże badawcze w Laboratoire Bordelais de Recherche en Informatique i na Uniwersytecie Kalifornijskim w Berkeley. Od 2021 roku jest na stażu podoktoranckim na Pontificia Universidad Católica (PUC) de Chile, gdzie realizuje również własny grant Fondecyt Postdoctorado.
Artykuł jest wynikiem badan realizowanych właśnie w Chile we współpracy z matematykami i informatykami z Instytutu Inżynierii Matematycznej i Obliczeniowej PUC.
Dr Tomasz Steifer tak wyjaśnia swoje badania: „W artykule badamy model uczenia typu PAC (probably approximately correct), który jest teoretycznym modelem klasyfikacji binarnej. W modelu PAC algorytm uczący otrzymuje przykłady z etykietami z wcześniej ustalonej bazy hipotez i musi nauczyć się jak najlepiej przewidywać te etykiety dla nowych danych. Co jest kluczowe w modelu to to, że chcemy z góry wiedzieć, jak wiele przykładów musimy zobaczyć, aby odgadnąć z dużym prawdopodobieństwem etykietowanie zbliżone do prawdziwego. Tak zwane fundamentalne twierdzenie uczenia statycznego mówi nam, kiedy to jest możliwe. O czym często nie wspomina się jednak w kursach uniwersyteckich, fundamentalne twierdzenie daje warunek istnienia ucznia rozumianego jako abstrakcyjny obiekt matematyczny (funkcja)---twierdzenie to nie mówi nic o tym, czy funkcja ta może być zaimplementowana jako algorytm. W badanym przez nas modelu CPAC (obliczalny PAC) próbujemy odpowiedzieć na pytanie, kiedy uczenie typu PAC może być w rzeczywistości zaimplementowane jako algorytm uczenia maszynowego. Praca rozwiązuje trzy problemy otwarte z artykułów innych autorów i określa warunek konieczny i wystarczający, aby istniał algorytm uczący się. Wyniki tego typu nie tylko są interesujące jako twierdzenia matematyczne, ale też pozwalają nam lepiej zrozumieć możliwości i ograniczenia praktycznych metod uczenia maszynowego. Jest to jeden z ważniejszych kierunków współczesnej informatyki”.
Conference on Learning Theory (COLT) organizowana jest od 1988 roku i jest najważniejszą konferencją poświęconą obliczeniowej teorii uczenia i teorii uczenia maszynowego. Konferencja ma rangę A+ na liście CORE, i co za tym idzie maksymalną liczbę punktów na liście ministerialnej (Ministerstwa Edukacji i Nauki). W tym roku konferencja odbyła się w Bengaluru w Indiach.
Więcej: www.learningtheory.org/colt2023
Dr Tomasz Steifer
