Studien- und Abschlussarbeiten

Erweiterung, Anwendung und Verfeinerung unseres AutoDL-Tools Auto-PyTorch für neue Bereiche wie Ausreißererkennung, Wartungsvorhersage oder Zeitreihenvorhersage. Wir empfehlen einen starken Hintergrund in Machinellem Lernen (insbesondere Deep Learning) und der von ihnen gewählten Anwendung für diese Arbeit. Bei Bewerbung zeigen Sie bitte die Richtung auf in der Sie arbeiten möchten und stellen einen groben Plan auf, wie Sie AutoPytorch in ihrem Zielbereich implementieren würden.

Kontakt: Difan Deng

Modellierung, Implementierung und Evaluierung von DAC für einen beliebigen Zielalgorithmus. Wir empfehlen einen starken Hintergrund in RL, Grundkenntnisse in DAC sowie in der Zieldomäne Ihrer Wahl, um in diesem Thema erfolgreich zu sein. Mögliche Zielgebiete sind Maschinelles Lernen oder Reinforcement Learning, MIPS oder SAT-Löser und Evolutionäre Algorithmen.

Kontakt: Theresa Eimer

Die Ausweitung des Reinforcement Learning auf kompliziertere Umgebungen als Spiele, wie z.B. Schach, macht es erforderlich, dass wir unsere Lernmethoden so ausrichten, dass sie viele Probleme in solchen Umgebungen angehen, wie z.B. große Zustands- und Aktionsräume, komplizierte Dynamiken, etc. Verhaltensähnlichkeit umfasst die Ausnutzung von Bedingungen, die zu ähnlichen Strategien führen, d.h. wenn sie mit demselben Zustand versehen sind, erzeugen sie identische Aktionsverteilungen. In dieser Arbeit wollen wir diese Methoden in einem kontextuellen Umfeld untersuchen, wobei wir versuchen werden, die folgenden Fragen zu beantworten

1. Sind Ähnlichkeitsmethoden robust gegenüber kleinen Umweltveränderungen, wie zum Beispiel kontextuelles Reinforcement Learning? 
2. Können wir diese Methoden verbessern, indem wir diese zusätzlichen kontextuellen Informationen durch Verlustvergrößerungen oder andere Verfahren nutzen? 
3. Können wir solche Metriken über Umweltverteilungen hinweg meta-lernen? 

Idealerweise würde dieses Thema für eine Bachelorarbeit bedeuten, dass wir bestehende Methoden abtragen, während wir für Masterarbeiten einen Schritt weiter gehen und versuchen würden, einen neuen Ansatz zu entwickeln.

Kontakt: Aditya Mohan

Meta-Policy-Gradienten zielen darauf ab, einen Satz von Hyperparametern in einer einzigen Lebenszeit zu lernen. Die Schlüsselidee besteht darin, die Iteration von Strategien mit der Aktualisierung von Hyperparametern zu verschachteln, d.h. ein Ziel (Bellman- oder Strategie-Gradientenziel) zu lernen und es dann zum Lernen einer neuen Parameteraktualisierung zu verwenden.  Neuere Arbeiten haben gezeigt, dass kontextbezogene Informationen über die Umgebung (z. B. Informationen über Ziele) Meta-Gradienten bereichern können.  

Pitch:  Untersuchung der Auswirkungen von Kontextinformationen auf Vanille- und Bootstrapped-Meta-Gradienten zur Verallgemeinerung auf ähnliche Umgebungen. Diese Arbeit beinhaltet zwei Fragen:

1. Funktionieren Standard-MPG-Techniken gut in kontextuellen Umgebungen?
2. Hilft die Einbeziehung von Kontextinformationen beim Erlernen besserer Hyperparameter-Schemata unter Verwendung von MPGs in solchen Umgebungen?

Je nach Interesse können wir herausfinden, wie wir diese Fragen konkret beantworten können. 

Kontakt: Aditya Mohan

Wir können Augmentierungsfunktionen durch Meta-Lernen generieren, etwas für das policy objective in PPO. Es ist allerdings offen ob das allgemein für Algorithmenkomponenten in Reinforcement Learning gilt, ob wir auch Augmentierungsensembles lernen könnten und wie gut diese Funktionen generalisieren. Ziel dieser Arbeit ist existierende Techniken auf neue Algorithmen und Komponenten zu erweitern.

Kontakt: Theresa Eimer

In Zusammenarbeit mit dem Zoo Hannover sollen Objekterkennungs- und -verfolgungsalgorithmen zur Überwachung des Aufzuchtverhaltens von Thomson-Gazellen verbessert werden. Wir integrieren automatisiertes maschinelles Lernen (AutoML) und Computer Vision,, wobei der Schwerpunkt auf der Hyperparameteroptimierung (HPO) liegt. Das Hauptziel dieses Projekts besteht darin, die Analyse des Tierverhaltens mithilfe von Kameradaten zu verbessern. Nach Identifizierung führender Verfolgungsalgorithmen beinhaltet diese Masterarbeit das Benennen relevanter Hyperparameter, die spezifisch für die entsprechenden Verfolgungsalgorithmen sind. Das AutoML-Tool SMAC soll strategisch zur Optimierung der Leistung der Verfolgungsalgorithmen genutzt werden, mit dem Ziel, die Genauigkeit und Effizienz bei der Analyse des Tierverhaltens zu steigern.

Kontakt: Leona Hennig