Hava Siegelmann - Hava Siegelmann

Hava Siegelmann ist Professorin für Informatik und weltweit führend in den Bereichen Lebenslanges Lernen, Künstliche Intelligenz, Maschinelles Lernen, Neuronale Netze und Computational Neuroscience. Ihre akademische Position ist an der School of Computer Science und dem Program of Neuroscience and Behavior der University of Massachusetts Amherst ; Sie ist die Direktorin des Labors für biologisch inspirierte neuronale und dynamische Systeme der Schule. Sie wurde 2016-2019 an die Bundesregierung DARPA ausgeliehen, um deren fortschrittlichste KI-Programme zu initiieren und durchzuführen, einschließlich ihres Programms für lebenslanges Lernen (L2M). und Gewährleistung der KI-Robustheit gegen Täuschungen (GARD). Sie erhielt die selten verliehene Meritorious Public Service Medal - eine der höchsten Auszeichnungen, die das Verteidigungsministerium einem Privatmann verleihen kann.

Biografie

Siegelmann ist ein US-amerikanischer Informatiker, der das Gebiet der Super-Turing-Berechnung begründet hat . Für ihren lebenslangen Beitrag im Bereich Neuronale Netze wurde sie 2016 mit dem Donald Hebb Award ausgezeichnet. Sie promovierte 1993 an der Rutgers University, New Jersey.

In den frühen 1990er Jahren schlugen sie und Eduardo D. Sontag ein neues Rechenmodell vor, das Artificial Recurrent Neural Network (ARNN), das sowohl von praktischem als auch mathematischem Interesse war. Sie haben mathematisch bewiesen, dass ARNNs über wohldefinierte Rechenleistungen verfügen, die die klassische Universal Turing-Maschine erweitern . Ihre ersten Veröffentlichungen zur Rechenleistung neuronaler Netze gipfelten in einem Einzelautoren-Artikel in Science und ihrer Monographie "Neural Networks and Analog Computation: Beyond the Turing Limit".

In ihrem Science Paper demonstriert Siegelmann, wie chaotische Systeme (die nicht durch Turing-Berechnungen beschrieben werden können) nun durch das Super-Turing-Modell beschrieben werden. Dies ist von Bedeutung, da viele mit Standardmitteln nicht beschreibbare biologische Systeme (zB Herz, Gehirn) als chaotisches System beschrieben und nun mathematisch modelliert werden können.

Die Theorie der Super-Turing-Berechnung hat in Physik, Biologie und Medizin Aufmerksamkeit erregt. Siegelmann ist außerdem gemeinsam mit Vladimir Vapnik und Kollegen Begründer des Support Vector Clustering, eines in der Industrie weit verbreiteten Algorithmus für Big Data Analytics . Siegelmann führte auch einen neuen Begriff auf dem Gebiet der Dynamischen Krankheiten ein, "die dynamische Gesundheit", der Krankheiten in der Terminologie und Analyse der Theorie des dynamischen Systems beschreibt , was bedeutet, dass es bei der Behandlung von Erkrankungen zu einschränkend ist, nur die primären Ursachen von die Störung; jede Methode, die Systemdynamik in den ausgeglichenen Bereich zurückzubringen, selbst unter physiologischen Herausforderungen (z. B. durch Reparatur der primären Quelle, Aktivierung sekundärer Pfade oder Einfügung spezialisierter Signalgebung), kann das System verbessern und für die Heilung äußerst vorteilhaft sein. Mit diesem neuen Konzept enthüllte sie die Ursache von Störungen bei Schichtarbeit und Reisen, die zu Jetlag führen und untersucht derzeit das menschliche Gedächtnis und Krebs in diesem Licht.

Siegelmann war während ihrer gesamten Karriere in der Förderung und Unterstützung von Minderheiten und Frauen in den Bereichen Informatik und Ingenieurwissenschaften tätig. Im Laufe ihrer Karriere hat Siegelmann zahlreiche Unternehmen beraten und ist für ihre praktische Problemlösungskompetenz bekannt. Sie ist im Vorstand der International Neural Networks Society und Redakteurin der Frontiers on Computational Neuroscience.

Veröffentlichungen

Papiere

• Cabessa, J.; Siegelmann, HT (2012). „Die Rechenleistung interaktiver rekurrenter neuronaler Netze“. Neuronale Berechnung . 24 (4): 996–1019. CiteSeerX  10.1.1.411.7540 . doi : 10.1162/neco_a_00263 . PMID  22295978 . S2CID  5826757 .
• HT Siegelmann und LE Holtzman, „Neuronal integration of dynamic sources: Bayesian learning and Bayesian inference“, Chaos: Fokusthema: Intrinsic and Designed Computation: Information Processing in Dynamical Systems 20 (3): DOI: 10.1063/1.3491237, September 2010. ( 7 Seiten)
• Nowicki, D.; Siegelmann, HT (2010). "Flexibler Kernel-Speicher" . PLOS ONE . 5 (6): e10955. Bibcode : 2010PLoSO...510955N . doi : 10.1371/journal.pone.0010955 . PMC  2883999 . PMID  20552013 .
• Olsen, MM; Siegelmann-Danieli, N.; Siegelmann, HT (2010). „Dynamisches Computermodell legt nahe, dass die zelluläre Staatsbürgerschaft für die selektive Tumorapoptose von grundlegender Bedeutung ist“ . PLOS ONE . 5 (5): e10637. Bibcode : 2010PLoSO...510637O . doi : 10.1371/journal.pone.0010637 . PMC  2869358 . PMID  20498709 .
• Pietrzykowski, AZ; Friesen, RM; Martin, GE; Puig, SI; Nowak, CL; Wynne, PM; Siegelmann, HT; Treistmann, SN (2008). „Die posttranskriptionelle Regulierung der Stabilität von BK-Kanal-Spleißvarianten durch miR-9 liegt der Neuroadaptation an Alkohol zugrunde“ . Neuron . 59 (2): 274–287. doi : 10.1016/j.neuron.2008.05.032 . PMC  2714263 . PMID  18667155 .
• Lu, S.; Becker, KA; Hagen, MJ; Yan, H.; Roberts, AL; Mathews, LA; Schneider, SS; Siegelmann, HT; Tirrell, SM; MacBeth, KJ; Blanchard, JL; Jerry, DJ (2008). "Transkriptionsreaktionen auf Östrogen und Progesteron in der Brustdrüse identifizieren Netzwerke, die die p53-Aktivität regulieren" . Endokrinologie . 149 (10): 4809–4820. doi : 10.1210/de.2008-0035 . PMC  2582927 . PMID  18556351 .
• Siegelmann, HT (2008). „Analog-symbolischer Speicher, der über Rekonsolidierung verfolgt“. Physica D: Nichtlineare Phänomene . 237 (9): 1207–1214. Bibcode : 2008PhyD..237.1207S . doi : 10.1016/j.physd.2008.03.038 .
• Roth, F.; Siegelmann, H.; Douglas, RJ (2007). „Die Selbstkonstruktion und -Reparatur eines Nahrungssuchenden Organismus durch explizit spezifizierte Entwicklung aus einer einzelnen Zelle“. Künstliches Leben . 13 (4): 347–368. CiteSeerX  10.1.1.70.326 . doi : 10.1162/artl.2007.13.4.347 . PMID  17716016 . S2CID  15011764 .
• Leise, T.; Siegelmann, HT (2006). „Dynamik eines mehrstufigen circadianen Systems“. Zeitschrift für biologische Rhythmen . 21 (4): 314–323. doi : 10.1177/0748730406287281 . PMID  16864651 . S2CID  17268433 .
• Loureiro, O.; Siegelmann, H. (2005). „Einführung eines aktiven Cluster-basierten Information Retrieval Paradigmas“. Zeitschrift der Amerikanischen Gesellschaft für Informationswissenschaft und Technologie . 56 (10): 1024–1030. CiteSeerX  10.1.1.412.1179 . doi : 10.1002/asi.20193 .
• Ben-Hur, A.; Horn, D.; Siegelmann, HT; Vapnik, V. (2001). "Vektor-Clustering unterstützen". Zeitschrift für Machine-Learning-Forschung . 2 : 125–137.
• Siegelmann, HT; Ben-Hur, A.; Fishman, S. (1999). "Computational Complexity for Continuous Time Dynamics" . Physische Überprüfungsbriefe . 83 (7): 1463–1466. Bibcode : 1999PhRvL..83.1463S . doi : 10.1103/physrevlett.83.1463 .
• Siegelmann, HT; Fishman, S. (1998). „Berechnung durch dynamische Systeme“. Physica D . 120 (1–2): 214–235. CiteSeerX  10.1.1.411.7879 . doi : 10.1016/s0167-2789(98)00057-8 .
• Siegelmann, HT (1995). „Berechnung jenseits der Turing-Grenze“. Wissenschaft . 238 (28): 632–637. Bibcode : 1995Sci...268..545S . doi : 10.1126/science.268.5210.545 . PMID  17756722 . S2CID  17495161 .

Teilliste der Anwendungen

• Sivan, S.; Filo, O.; Siegelmann, H. (2007). „Anwendung von Expertennetzwerken zur Vorhersage der Sekundärstruktur von Proteinen“. Biomolekulares Engineering . 24 (2): 237–243. doi : 10.1016/j.bioeng.2006.12.001 . PMID  17236807 .
• Eldar, S; Siegelmann, HT; Buzaglo, D.; Materie, ich.; Cohen, A.; Sabo, E.; Abrahamson, J. (2002). „Konversion der laparoskopischen Cholezystektomie zur offenen Cholezystektomie bei akuter Cholezystitis: Künstliche neuronale Netze verbessern die Vorhersage der Konversion“. World Journal of Surgery . 26 (1): 79–85. doi : 10.1007/s00268-001-0185-2 . PMID  11898038 . S2CID  189870780 .
• Lange, D.; Siegelmann, HT; Pratt, H.; Inbar, GF (2000). „Überwindung der selektiven Ensemble-Mittelung: Unüberwachte Identifizierung von ereignisbezogenen Hirnpotenzialen“. IEEE-Transaktionen zur Biomedizintechnik . 47 (6): 822–826. doi : 10.1109/10.844236 . PMID  10833858 . S2CID  10770977 .
• Karniely, H.; Siegelmann, HT (2000). "Sensorregistrierung mit neuronalen Netzen". IEEE-Transaktionen zu Luft- und Raumfahrt und elektronischen Systemen . 36 (1): 85–98. Bibcode : 2000ITAES..36...85K . doi : 10.1109/7.826314 .
• Siegelmann, HT; Nissan, E.; Galperin, A. (1997). „Ein neuartiger neuronaler/symbolischer Hybridansatz zur heuristisch optimierten Brennstoffzuordnung und automatisierten Revision von Heuristiken in der Nukleartechnik“. Fortschritte in der Engineering-Software . 28 (9): 581–592. doi : 10.1016/s0965-9978(97)00040-9 .

Bücher

• Neural Networks and Analog Computation: Beyond the Turing Limit, Birkhauser, Boston, Dezember 1998 ISBN  0-8176-3949-7

Hinweise und Referenzen