Detailseite
Tiefe Zuweisungsflüsse für die strukturierte Klassifikation von Daten: Entwurf, Lernenverfahren und prädiktive Genauigkeit
Antragsteller
Professor Dr. Christoph Schnörr
Fachliche Zuordnung
Mathematik
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Förderung
Förderung seit 2021
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 463952752
Dieses Projekt fokussiert auf eine Klasse zeit-kontinuierlicher neuronaler gewöhnlicher Differentialgleichungen (nDGL) für die Kennzeichnung metrischer Daten auf Graphen, um aus drei Stoßrichtungen zur Theorie des “tiefen Lernens” beizutragen: (i) Anwendung der Informationsgeometrie für den Entwurf und das Verständnis der Parameter im Zusammenhang mit Lernen und strukturierter Vorhersage; (ii) Studium von PAC-Bayesschen Risikoschranken für die Prädiktion lokaler Gewichtspflaster auf einer Mannigfaltigkeit und der Konsequenzen für die statistische Genauigkeit nicht-lokaler Kennzeichnungsvorhersagen durch die nDGL; (iii) Algorithmenentwurf für das Lernen der Parameter anhand einer linearisierten Tangentenraumdarstellung der nDGL, um statistische Lerntheorie mit Anwendungen von Zuweisungsflüssen in der Praxis zu verbinden.
DFG-Verfahren
Schwerpunktprogramme
Teilprojekt zu
SPP 2298:
Theoretische Grundlagen von Deep Learning