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
• 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