Schnelles und effizientes Erlernen der Hyperparameterkontrolle für Deep Reinforcement Learning auf kleinen Datenmengen (C04)

• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499552394

Unser Ziel ist es, automatisierte Techniken zu entwickeln, um die Hyperparameter von Deep Reinforcement Learning (RL)-Ansätzen auf eine stichprobeneffiziente Weise für kleine Datensätze zu wählen und so Unsicherheit zu reduzieren. Wir werden geeignete Benchmarks erstellen und dann die Leistung von derzeit existierenden Hyperparameter-Optimierungsverfahren (HPO) untersuchen, um schließlich automatisierte Verfahren zu entwickeln. Dies beinhaltet eine dynamische Steuerung auf Meta-Ebene unter Verwendung eines robusten Hyperparameter-Transfers für Online-HPO für Offline-RL und neuronale Architektursuche.

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1597: Small Data
• Antragstellende Institution: Albert-Ludwigs-Universität Freiburg
• Teilprojektleiterinnen / Teilprojektleiter: Dr. Noor Awad, Ph.D.; Professor Dr. Joschka Bödecker