Lehre
Studien- & Abschlussarbeiten AutoML

Studien- und Abschlussarbeiten

Wir suchen fortlaufend Studenten für die Bearbeitung von Studien- und Abschlussarbeiten. Hierbei decken die Themen das gesamte Spektrum an Forschungsbereichen innerhalb der derzeit von den Mitarbeitern behandelten Projekte ab. Ideen zu eigenen Themen und konkreten Aufgabenstellungen sind ebenfalls herzlich willkommen, wenn sie Synergien mit den Forschungsbereichen bilden.

Aufgrund der ständig wechselnden Themenvorschläge und Aufgabenstellungen durch die Betreuer erfolgt an dieser Stelle nur ein Hinweis auf einige ausgewählte Themen.


Individuelle Abschlussarbeit

Wir sind auf der Suche nach Studierenden, die gerne an unseren zukünftigen Forschungsprojekten arbeiten möchten. Je nach Ihren Fähigkeiten und Zukunftsplänen suchen wir gemeinsam ein Thema in unseren Forschungsbereichen, das am besten zu Ihnen passt. In Ihrer Abschlussarbeit werden Sie mit aufkommenden Themen in Berührung kommen mit einem Fokus auf KI. Die folgenden Themen sind Beispiele dafür, wie solche Arbeiten aussehen können.

Themenvorschläge

  • Auto-PyTorch für X [BSc + MSc]

    Erweiterung, Anwendung und Verfeinerung unseres AutoDL-Tools Auto-PyTorch für neue Bereiche wie Bildklassifikation, Segmentierung, Video, Ausreißererkennung oder NLP. Wir empfehlen einen starken Hintergrund in Maschinellem Lernen und der von Ihnen gewählten Anwendung für diese Arbeit.

    Kontakt: Difan Deng

  • Umsetzung eines neuen DAC-Benchmarks [BSc + MSc]

    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

  • Meta-Policy Gradients im kontextuellen RL [MSc]

    Da sich die Abstimmung von Hyperparametern im kontextuellen RL-Umfeld als schwierig erwiesen hat, könnte die Verwendung von Meta-Policy-Gradienten im kontextuellen Umfeld zur Anpassung aller Hyperparameter in einer einzigen Lebenszeit eine Alternative zu etablierten Lösungen darstellen. Eine Möglichkeit, hier anzusetzen, wäre, die Arbeit an der selbstoptimierenden Akteurskritik (STAC) auf die kontextuelle Umgebung auszudehnen, indem man die Zustands- und Aktionseinbettungen auf einen lernbaren Kontextparameter konditioniert (z.B. die Standardabweichung der kontextgenerierenden Verteilung) und dann einen Agenten darauf trainiert, diesen Parametersatz zu lernen, während er mit der Umgebung unter Verwendung von Meta-Politik-Gradienten interagiert. Wir empfehlen für diese Arbeit einen starken Hintergrund in Reinforcement Learning sowie Vorkenntnisse in AutoML.

    Kontakt: Aditya Mohan 

  • Multi-fidelity als Meta-Lernproblem [MSc]

    Die Anwendung von F-PACOH auf mehrere Fidelitäten könnte eine Möglichkeit sein, die induktive Verzerrung von einer Fidelität auf eine andere zu übertragen und während des Schätzungsprozesses eine Bewertung auf verschiedenen Fidelitäten zu ermöglichen. Die Kombination mit Multi-Informationsquellen-Ansätzen (Vorläufer von MF) könnte auch bei der Auswahl relevanter Fidelitäten helfen. Zeitplanung und Bewertung der Validität sind hier von entscheidender Bedeutung. Wir empfehlen einen starken Hintergrund in AutoML für diese Arbeit. 

    Kontakt: Tim Ruhkopf

  • Hyperparameter Importance für AutoML [MSc]

    Das Anpassen von Hyperparametern beim maschinellen Lernen ist unerlässlich, um hohe Performance zu erzielen. Einige Hyperparameter sind dabei jedoch wichtiger als andere. Ein AutoML-Prozess könnte daher von der Integration von Hyperparameter Importance Methoden in den Optimierungsprozess profitieren, so dass wichtige Hyperparameter häufiger geändert werden. Wir empfehlen für diese Arbeit Vorkenntnisse in interpretierbarem ML und AutoML.

    Kontakt: Sarah Krebs

  • Interaktives AutoML [MSc]

    Die meisten AutoML-Verfahren erlauben aktuell keine bis sehr wenig Interaktionsmöglichkeiten eines Nutzers. Die Konsequenz daraus ist, dass Nutzer oftmals erst am Ende eines AutoML-Runs feststellen, dass das Verfahren ein unzufriedenstellendes Ergebnis liefert, obwohl dies möglicherweise schon erheblich früher im Optimierungsprozes absehbar gewesen wäre. Entsprechend gering ist das Vertrauen in AutoML-Verfahren seitens vieler Endnutzer. Ziel dieser Abschlussarbeit ist es, die Interaktionsmöglichkeiten von AutoML-Verfahren auf verschiedene Weisen zu erhöhen.

    Kontakt: Alexander Tornede

Interesse geweckt?

Der genaue Ablauf einer Abschlussarbeit, zusammen mit einer ungefähren Vorstellung welche Erwartungen wir an Abschlussarbeiten haben, ist hier beschrieben.

Es ist uns wichtig, dass das passende Hintergrundwissen vorhanden ist, damit eine Arbeit bei eine Chance auf einen positiven Abschluss hat. Um das entsprechend einschätzen zu können, würden wir bitten, uns folgende Punkte zu kommen zu lassen:

  1. Themenvorschlag oder Themengebiet(e)
  2. Welche Vorkenntnisse sind vorhanden? Welche ML-bezogenen Kurse wurden dafür belegt?
  3. Eine Selbsteinschätzung von -- bis ++ zu folgenden Themen:
    • Coding in Python
    • Coding mit PyTorch
    • Fähigkeit ein Deep Learning Paper zu implementieren
    • Fähigkeit ein Reinforcement Learning Paper zu implementieren
    • Fähigkeit eine fremde Codebase zu verstehen und auszuführen

Falls Sie generell Interesse an einer Abschlussarbeit bei uns haben, aber sich für keines der oben angegebenen Themen entschieden haben, so senden Sie bitte eine Email mit den oben stehenden Informationen an m.lindauer@ai.uni-hannover.de.

Sollten Sie Interesse an einem spezifischen, weiter oben angegebenen Thema haben, so senden Sie bitte direkt eine Email an die im Thema angegebene Ansprechperson. Die Mailadressen können den persönlichen Seiten entnommen werden.