Verringerung der Unsicherheiten bei der Parameteroptimierung von dynamischen Modellen durch Meta-Learning (C03)

• Fachliche Zuordnung: Epidemiologie und Medizinische Biometrie/Statistik ; Statistische Physik, Nichtlineare Dynamik, Komplexe Systeme, Weiche und fluide Materie, Biologische Physik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499552394

Um die Unsicherheit bei der Parameteroptimierung von gewöhnlichen Differentialgleichungen zu verringern, werden wir einen Meta-Learning-Ansatz entwickeln, der aus vorangegangenen Optimierungsschritten und ähnlichen anderen Optimierungsproblemen lernt, die jeweilige Aufgabe zu lösen. Konkret werden wir betrachten, wie verschiedene Optimierungsmethoden bei der Lösung von öffentlich verfügbaren Problemen abschneiden, um eine Standardstrategie in Form von Aktionen abzuleiten, welche die beste Optimierungsmethode auswählen. Für eine neue Optimierungsaufgabe wird diese Strategie automatisch durch Reinforcement Learning angepasst.

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1597: Small Data
• Antragstellende Institution: Albert-Ludwigs-Universität Freiburg
• Teilprojektleiter: Dr. Clemens Kreutz; Professor Dr. Jens Timmer