Hava Siegelmann - Hava Siegelmann

Hava Siegelmann
Alma materRutgersova univerzita
Vědecká kariéra
Polepočítačová věda, neurověda, systémová biologie, biomedicínské inženýrství
InstituceUniversity of Massachusetts Amherst
TezeZáklady rekurentních neuronových sítí  (1993)
Doktorský poradceEduardo Daniel Sontag

Hava Siegelmann je profesorem počítačová věda a světový lídr v oblasti celoživotního učení, umělé inteligence, strojového učení, neuronových sítí a výpočetní neurovědy. Její akademická pozice je ve škole Počítačová věda a program neurovědy a chování na University of Massachusetts Amherst; je ředitelkou školy Biologicky inspirovaná laboratoř neurálních a dynamických systémů. Byla zapůjčena federální vládě DARPA 2016-2019 zahájit a provozovat své nejpokročilejší programy AI, včetně jejího programu Celoživotního učení (L2M).[1] a záruka robustnosti AI proti podvodům (GARD).[2] Získala zřídka oceněné Záslužná medaile za veřejnou službu - jedno z nejvyšších vyznamenání, které může ministerstvo obrany udělit soukromému občanovi.

Životopis

Siegelmann je americký počítačový vědec, který založil pole Super-Turingův výpočet. Za svůj celoživotní přínos v oblasti neuronových sítí získala v roce 2016 cenu Donalda Hebba. V roce 1993 získala doktorát na Rutgers University v New Jersey.[3]

Na počátku 90. let ona a Eduardo D. Sontag navrhl nový výpočetní model, umělou rekurentní neuronovou síť (ARNN), který má praktický i matematický význam. Matematicky dokázali, že ARNN mají dobře definované výpočetní síly, které rozšiřují klasiku Univerzální Turingův stroj. Její počáteční publikace o výpočetní síle Neuronové sítě vyvrcholila prací s jedním autorem v Věda[4][5] a její monografie „Neural Networks and Analog Computation: Beyond the Turing Limit“.

Ve své vědecké práci[4] Siegelmann demonstruje, jak chaotické systémy (které nelze popsat Turingovým výpočtem) jsou nyní popsány modelem Super-Turing. To je významné, protože mnoho biologických systémů, které nelze popsat standardními prostředky (např. Srdce, mozek), lze popsat jako chaotický systém a lze je nyní modelovat matematicky.[6][7]

Teorie výpočtu Super-Turing přitahovala pozornost ve fyzice, biologii a medicíně.[8][9][10] Siegelmann je také původcem Support Vector Clustering http://www.scholarpedia.org/article/Support_vector_clustering, široce používaný algoritmus v průmyslu pro analýzu velkých dat společně s Vladimír Vapnik a kolegové.[11] Siegelmann také představil nový pojem v oblasti dynamických nemocí, „dynamické zdraví“,[12] který popisuje choroby v terminologii a analýze dynamický systém teorie, což znamená, že při léčbě poruch je příliš omezující usilovat pouze o nápravu primárních příčin poruchy; jakákoli metoda návratu dynamiky systému do vyváženého rozsahu, dokonce i při fyziologických problémech (např. opravou primárního zdroje, aktivací sekundárních drah nebo vložením specializované signalizace), může zlepšit systém a být nesmírně prospěšná pro uzdravení. S využitím tohoto nového konceptu odhalila zdroj rušení během směnných prací a cestování vedoucí k jet-lag[13] a v současné době studuje lidskou paměť a rakovinu[14] v tomto světle.

Siegelmann během své kariéry aktivně prosazovala a podporovala menšiny a ženy v oblasti výpočetní techniky a inženýrství. Během své kariéry konzultovala Siegelmann s řadou společností a získala pověst svých praktických schopností řešit problémy. Je ve správní radě Mezinárodní společnost neuronových sítí, a editor v Frontiers on Computational Neuroscience.

Publikace

Doklady

Částečný seznam aplikací

  • Sivan, S .; Filo, O .; Siegelman, H. (2007). "Aplikace expertních sítí pro predikci sekundární struktury proteinů". Biomolekulární inženýrství. 24 (2): 237–243. doi:10.1016 / j.bioeng.2006.12.001. PMID  17236807.
  • Eldar, S; Siegelmann, H. T .; Buzaglo, D .; Matter, I .; Cohen, A .; Sabo, E .; Abrahamson, J. (2002). „Konverze laparoskopické cholecystektomie na otevřenou cholecystektomii u akutní cholecystitidy: Umělé neurální sítě zlepšují predikci konverze“. World Journal of Surgery. 26 (1): 79–85. doi:10.1007 / s00268-001-0185-2. PMID  11898038.
  • Lange, D .; Siegelmann, H.T .; Pratt, H .; Inbar, G.F. (2000). "Překonání průměrování selektivního souboru: nekontrolovaná identifikace mozkových potenciálů souvisejících s událostmi". Transakce IEEE na biomedicínském inženýrství. 47 (6): 822–826. doi:10.1109/10.844236. PMID  10833858.
  • Karniely, H .; Siegelmann, H.T. (2000). "Registrace senzoru pomocí neuronových sítí". Transakce IEEE na letectví a elektronických systémech. 36 (1): 85–98. Bibcode:2000ITAES..36 ... 85 tis. doi:10.1109/7.826314.
  • Siegelmann, H.T .; Nissan, E .; Galperin, A. (1997). „Nový neurální / symbolický hybridní přístup k heuristicky optimalizované alokaci paliva a automatizované revizi heuristiky v jaderném inženýrství“. Pokroky v inženýrském softwaru. 28 (9): 581–592. doi:10.1016 / s0965-9978 (97) 00040-9.

Knihy

  • Neuronové sítě a analogové výpočty: Beyond the Turing Limit, Birkhauser, Boston, prosinec 1998 ISBN  0-8176-3949-7

Přispěla také 21 kapitolami do knih.

Poznámky a odkazy

  1. ^ Životopis DARPA
  2. ^ [1]
  3. ^ Životopis na UMass
  4. ^ A b Siegelmann, H. T. (28. dubna 1995). „Výpočet za Turingovým limitem“. Věda. 268 (5210): 545–548. Bibcode:1995Sci ... 268..545S. doi:10.1126 / science.268.5210.545. PMID  17756722.
  5. ^ Siegelmann, H.T. (1996). „Odpověď: Analogový výpočetní výkon“. Věda. 271 (5247): 373. doi:10.1126 / science.271.5247.373.
  6. ^ Barkai, N .; Leibler, S. (26. června 1997). "Robustnost v jednoduchých biochemických sítích". Příroda. 387 (6636): 913–917. Bibcode:1997 Natur.387..913B. doi:10.1038/43199. PMID  9202124.
  7. ^ McGowan, PO; Szyf, M (červenec 2010). „Epigenetika sociální protivenství v raném životě: důsledky pro výsledky duševního zdraví“. Neurobiologie nemocí. 39 (1): 66–72. doi:10.1016 / j.nbd.2009.12.026. PMID  20053376.
  8. ^ Yasuhiro Fukushima; Makoto Yoneyama; Minoru Tsukada; Ichiro Tsuda; Yutaka Yamaguti; Shigeru Kuroda (2008). "Fyziologické důkazy pro výstup kódování kantoru v hipokampu CA1". V Rubin Wang; Fanji Gu; Enhua Chen (eds.). Pokroky v kognitivní neurodynamice Sborník ICCN 2007 z mezinárodní konference o kognitivní neurodynamice. Dordrecht: Springer. 43–45. ISBN  978-1-4020-8387-7.
  9. ^ Bodén, Mikael; Alan Blair (březen 2003). „Učení se dynamice vložených klauzulí“ (PDF). Aplikovaná inteligence. 19 (1/2): 51–63. doi:10.1023 / A: 1023816706954.
  10. ^ Toni, R; Spaletta, G; Casa, CD; Ravera, S; Sandri, G (2007). "Výpočet a mozkové procesy, se zvláštním zřetelem na neuroendokrinní systémy". Acta Bio-medica: Atenei Parmensis. 78 Suppl 1: 67–83. PMID  17465326.
  11. ^ Ben-Hur, A .; Horn, D .; Siegelmann, H.T .; Vapnik, V. (2001). "Podpora vektorového shlukování". Journal of Machine Learning Research. 2: 125–137.
  12. ^ Ben-Hur, A .; Horn, D .; Siegelmann, H.T .; Vapnik, V. (2000). Metoda seskupování podpůrných vektorů. Pattern Recognition, 2000. Sborník. 15. mezinárodní konference dne. 2. str. 724–727. doi:10.1109 / ICPR.2000.906177. ISBN  978-0-7695-0750-7.
  13. ^ Leise, T .; Hava Siegelmann (1. srpna 2006). "Dynamika vícestupňového cirkadiánního systému". Journal of Biological Rhythms. 21 (4): 314–323. doi:10.1177/0748730406287281. PMID  16864651.
  14. ^ Olsen, Megan; Siegelmann-Danieli, Nava; Siegelmann, Hava T .; Ben-Jacob, Eshel (13. května 2010). Ben-Jacob, Eshel (ed.). „Dynamický výpočetní model naznačuje, že buněčné občanství je pro selektivní apoptózu tumoru zásadní“. PLOS ONE. 5 (5): e10637. Bibcode:2010PLoSO ... 510637O. doi:10.1371 / journal.pone.0010637. PMC  2869358. PMID  20498709.