Ressourcensparende bayesianische Methoden zum maschinellen Lernen

Der jüngste Fortschritt im Feld des maschinellen Lernen hat diese Disziplin zu einem Grundpfeiler gemacht für die Forschung an künstlicher Intelligenz. Viele dieser Fortschritte basieren jedoch auf der arbeitsintensiven Erstellung riesiger Datensätze und enormen Investitionen in Rechenkapazität. Das Ziel dieses Forschungsvorhabens ist die Entwicklung von Methoden zum maschinellen Lernen die effizienter mit Resourcen umgehen. Dies umfasst die Anforderungen an die Menge von Trainingsdaten, Speicherkapazität, Bandbreite und Rechenkapazität. Die so entwickelten Methoden werden den Wirkungsbereich des maschinellen Lernens auf neue Felder erweitern. Besonderes Augenmerk wird dabei gelegt auf Anwendungen des maschinellen Lernens für Naturwissenschaften (wo Datengenerierung oft teuer ist), auf das junge und dynamische Feld der neuralen Datenkompression (zur effizienteren Nutzung von Bandbreite und Speicherkapazität), und auf eine Vision für eine radikale neue Art, maschinelles Lernen zu betreiben, nämlich auf autoritätsfreien dezentralen Rechenplatformen (auf denen Rechenkapazität und Konnektivität stark beschränkt sind). Dies drei Anwendungsgebiete stellen konkrete Testbereiche dar für Grundlagenforschung zu breit anwendbaren Methoden aus dem Gebiet des statistischen Maschinellen Lernen, insbesondere probabilistische Modelle und approximative bayesianische Inferenz, welche ein übergreifendes Leitmotiv dieses Forschungsvorhaben darstellen.

DFG-Verfahren Emmy Noether-Nachwuchsgruppen

Internationaler Bezug USA

Kooperationspartner Professor Dr. Stephan Mandt