Hava Siegelmann - Hava Siegelmann
Hava Siegelmann | |
---|---|
Geboren |
|
23. August 1964
Alma Mater | Rutgers University |
Bekannt für | Hypercomputation |
Auszeichnungen | Verdienstvolle Medaille für den öffentlichen Dienst |
Wissenschaftlicher Werdegang | |
Felder | Informatik, Neurowissenschaften, Systembiologie, Biomedizintechnik |
Institutionen | Universität von Massachusetts Amherst |
These | Grundlagen rekurrenter neuronaler Netze (1993) |
Doktoratsberater | Eduardo Daniel Sontag |
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
- ^ DARPA-Biografie
- ^ [1]
- ^ "DARPA ehrt Experten für künstliche Intelligenz" . Bundesnachrichtennetz . 2020-06-30 . Abgerufen 2021-08-07 .
- ^ Biografie bei UMass
- ^ a b Siegelmann, HT (28. April 1995). „Berechnung jenseits der Turing-Grenze“ . Wissenschaft . 268 (5210): 545–548. Bibcode : 1995Sci...268..545S . doi : 10.1126/science.268.5210.545 . PMID 17756722 . S2CID 17495161 .
- ^ Siegelmann, HT (1996). "Antwort: Analoge Rechenleistung" . Wissenschaft . 271 (5247): 373. doi : 10.1126/science.271.5247.373 .
- ^ Barkai, N.; Leibler, S. (26. Juni 1997). „Robustheit in einfachen biochemischen Netzwerken“. Natur . 387 (6636): 913–917. Bibcode : 1997Natur.387..913B . doi : 10.1038/43199 . PMID 9202124 . S2CID 4311605 .
- ^ McGowan, PO; Szyf, M (Juli 2010). „Die Epigenetik sozialer Widrigkeiten im frühen Leben: Auswirkungen auf die Ergebnisse der psychischen Gesundheit“. Neurobiologie der Krankheit . 39 (1): 66–72. doi : 10.1016/j.nbd.2009.12.026 . PMID 20053376 . S2CID 2822345 .
- ^ Yasuhiro Fukushima; Makoto Yoneyama; Minoru Tsukada; Ichiro Tsuda; Yutaka Yamaguti; Shigeru Kuroda (2008). „Physiological Evidence for Cantor Coding Output in Hippocampal CA1“. In Rubin Wang; Fanji Gu; Enhua Chen (Hrsg.). Fortschritte in der kognitiven Neurodynamik ICCN 2007-Bericht der International Conference on Cognitive Neurodynamics . Dordrecht: Springer. S. 43–45. ISBN 978-1-4020-8387-7.
- ^ Bodén, Mikael; Alan Blair (März 2003). "Lernen der Dynamik eingebetteter Klauseln" (PDF) . Angewandte Intelligenz . 19 (1/2): 51–63. doi : 10.1023/A:1023816706954 . S2CID 5811984 .
- ^ Toni, R; Spaletta, G; Casa, CD; Ravera, S; Sandri, G (2007). „Rechnung und Gehirnprozesse, mit besonderem Bezug auf neuroendokrine Systeme“. Acta Biomedica: Atenei Parmensis . 78 Beilage 1: 67–83. PMID 17465326 .
- ^ Ben-Hur, A.; Horn, D.; Siegelmann, HT; Vapnik, V. (2001). "Vektor-Clustering unterstützen". Zeitschrift für Machine-Learning-Forschung . 2 : 125–137.
- ^ Ben-Hur, A.; Horn, D.; Siegelmann, HT; Vapnik, V. (2000). Eine Support-Vektor-Clustering-Methode . Mustererkennung, 2000. Proceedings. 15. Internationale Konferenz am . 2 . S. 724–727. doi : 10.1109/ICPR.2000.906177 . ISBN 978-0-7695-0750-7. S2CID 31831024 .
- ^ Leise, T.; Hava Siegelmann (1. August 2006). „Dynamik eines mehrstufigen circadianen Systems“. Zeitschrift für biologische Rhythmen . 21 (4): 314–323. doi : 10.1177/0748730406287281 . PMID 16864651 . S2CID 17268433 .
- ^ Olsen, Megan; Siegelmann-Danieli, Nava; Siegelmann, Hava T.; Ben-Jacob, Eshel (13. Mai 2010). Ben-Jacob, Eshel (Hrsg.). "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 .
- ^ Siegelmann, Hava T. (1999). Neuronale Netze und analoge Berechnungen: Jenseits der Turing-Grenze . Boston, Massachusetts: Birkhäuser. ISBN 0-8176-3949-7. OCLC 39485184 .