SPP 2298:  Theoretische Grundlagen von Deep Learning

• Fachliche Zuordnung: Mathematik ; Informatik, System- und Elektrotechnik ; Materialwissenschaft und Werkstofftechnik ; Medizin ; Physik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 441826958

Das Schwerpunktprogramm (SPP) "Theoretische Grundlagen von Deep Learning" wird an der LMU München koordiniert. Dazu gehören die Organisation der verschiedenen geplanten Kooperations- und Netzwerkaktivitäten wie Jahreskonferenzen, Workshops, Minitutorials und Winterschulen, die Koordination der Auswahl und Einladung von PP-Gastprofessorinnen und -Gastprofessoren sowie PP-Fellows, die Einrichtung und Pflege einer Webseite sowie die Bereitstellung eines Newsletters und die Betreuung eines Preprint-Servers. Auch alle PR Aktivitäten bedürfen der Organisation. Darüber hinaus wollen wir den wissenschaftlichen Nachwuchs wie auch Forscherinnen durch verschiedene Maßnahmen fördern, die koordiniert werden müssen.

• DFG-Verfahren: Schwerpunktprogramme
• Internationaler Bezug: Frankreich, Großbritannien, Kanada, Österreich, USA

Projekte

• Adaptive Neuronale Tensor Netzwerke für parametrische Partielle Differentialgleichungen (Antragsteller Eigel, Martin ;  Grasedyck, Lars )
• Aspekte der Statistischen Analyse von Trainingstrajektorien von tiefen neuronalen Netzen (Antragsteller Steinwart, Ingo )
• Auf dem Weg zu einer überall verlässlichen Klassifizierung - Ein gemeinsamer Rahmen für Robustheit gegen böswillige Attacken und die Erkennung von Out-of-Distribution Eingaben (Antragsteller Hein, Matthias )
• Beschleunigung von Diffussionsmodellen durch dünnbesetzte neuronale Netze (Antragsteller Lederer, Johannes )
• Beweisbare Robustheitszertifizierung von Neuronalen Netzen für Graphen (Antragsteller Günnemann, Stephan )
• Deep Learning aus der Perspektive von Wahrscheinlichkeit und Geometrie (Antragsteller Hennig, Philipp )
• Deep-Learning basierte Regularisierung inverser Probleme (Antragstellerinnen / Antragsteller Burger, Martin ;  Kutyniok, Gitta )
• Deep Learning für nicht-lokale partielle Differentialgleichungen (Antragstellerinnen / Antragsteller Jentzen, Arnulf ;  Kutyniok, Gitta )
• Generative Modelle für Bayesche Inverse Probleme in der Bildverarbeitung
• GeoMAR: Geometrische Methoden für Adversarial Robustness (Antragsteller Bungert, Leon ;  Schwinn, Ph.D., Leo )
• Global optimales Training von Neuronalen Netzen (Antragsteller Pfetsch, Marc Emanuel ;  Pokutta, Sebastian )
• Impliziter Bias im adversariellen Training (Antragsteller Fornasier, Massimo ;  Rauhut, Holger )
• Kombinatorische und implizite Methoden für Deep Learning - Phase II (Antragsteller Montúfar, Guido )
• Koordinationsfonds (Antragstellerin Kutyniok, Gitta )
• Lösungsverfahren für lineare inverse Probleme basierend auf neuronalen Netzen: Generalisierung, Robustheit und Quantifizierung von Unsicherheiten (Antragsteller Heckel, Reinhard ;  Krahmer, Ph.D., Felix )
• Meanfield Theorie zur Analysis von Deep Learning Methoden (Antragsteller Herty, Michael )
• Mehrphasige probabilistische Optimierer für tiefe Lernprobleme (Antragsteller Hennig, Philipp )
• Multilevel-Architekturen und -Algorithmen im Deep Learning (Antragsteller Herzog, Roland ;  Schiela, Anton )
• Multiskalendynamik neuronaler Netze über stochastische Graphoperatoren (Antragsteller Engel, Maximilian ;  Kühn, Ph.D., Christian )
• Nichtlineare optimale Feedback-Regelung mit tiefen neuronalen Netzen ohne den Fluch der Dimension: Räumlich abnehmende Sensitivität und nichtglatte Probleme (Antragsteller Grüne, Lars )
• Operator Learning für Optimalsteuerung: Approximation und Statistische Theorie (Antragstellerinnen / Antragsteller Herberg, Evelyn ;  Wang, Sven ;  Zech, Jakob )
• Optimaler Transport und Maßoptimierungsgrundlage für robustes und kausales maschinelles Lernen (Antragsteller Zhu, Jia-Jie )
• Robuste und Interpretierbare Regularisierung für Inverse Probleme in der Medizinischen Bildverarbeitung (Antragsteller Kobler, Erich ;  Neumayer, Sebastian )
• Spiking Neural Networks: Theoretische Grundlagen, Vertrauenswürdigkeit und Energie-Effizienz (Antragstellerinnen / Antragsteller Boche, Holger ;  Kutyniok, Gitta )
• Statistische Grundlagen des halb-überwachten Lernens mit Graph-Neural-Networks (Antragsteller Ghoshdastidar, Ph.D., Debarghya )
• Strukturerhaltende tiefe neuronale Netze zur Beschleunigung der Lösung der Boltzmanngleichung (Antragsteller Frank, Martin ;  Krumscheid, Sebastian )
• Theoretischer Grundlagen des Unsicherheits-robusten Deep Learning für Inverse Probleme (Antragsteller Burger, Martin ;  Möller, Michael )
• Theorie der tiefen Anomalieerkennung (Antragsteller Kloft, Marius )
• Tiefe neuronale Netzwerke überwinden den Fluch der Dimensionalität in der numerischen Approximation von stochastischen Kontrollproblemen und von semilinearen Poisson Gleichungen (Antragsteller Hutzenthaler, Martin ;  Kruse, Thomas )
• Tiefe Zuweisungsflüsse für die strukturierte Klassifikation von Daten: Entwurf, Lernverfahren und prädiktive Genauigkeit (Antragsteller Schnörr, Christoph )
• Unsicherheitsquantifizierungsgarantien für Graphenneuronale Netze (Antragsteller Bojchevski, Aleksandar )
• Verbesserte Techniken des tiefen Lernens zum Sampling von Moleküldynamik im thermodynamischen Gleichgewicht mithilfe von optimalem Transport (Antragsteller Friesecke, Gero )
• Über die Konvergenz von Variational Deep Learning zu Entropie-Summen (Antragstellerinnen / Antragsteller Fischer, Asja ;  Lücke, Jörg )

• Sprecherin: Professorin Dr. Gitta Kutyniok