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

  • Diffusion Transformer (DiT) für conditional Lernkurven generation [B.Sc / M.Sc]

    Diffusion Modelle werden typischer weise verwendet um (ggf. mit Text Kondition) Bilder zu generieren. 
    In dieser Thesis soll ein Diffusion Transformer (DiT) so angepasst werden, dass man basierend auf realen Lernkurven von Benchmark Problemen lernt Lernkurven basierend auf hyperparametern queries gemeinsam zu generieren. Im grunde soll dieses Modell uns neue Multi-fidelity Optimierungsprobleme generieren und implizit sowohl die Cross-Correlation von mehreren Lernkurven basierend auf deren hyperparametern lernen, als auch die stochastischen Eigenschafften von Lernkurven, die aus deren Zeitreihen Eigenschaften stammen. 

    Je nach Fortschritt der Arbeit, kann man auch über gezielte Generalisierung nachdenken, wie z.b. die iterative Abfrage von zusätzlichen hyperparameter konfigurationen, was in etwa neuen bild patches entsprechen sollte.

    Diese Arbeit hat mehrere Derivative Anwendungen, insbesondere aber die künstliche Generierung von Multi-Fidelity Optimierungs Benchmarkproblemen basierend auf Eigenschaften realer kurven.

     

    Kontakt: Tim Ruhkopf

  • Auto-PyTorch für X [BSc + MSc]

    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

  • 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

  • Policy Similarity beim Reinforcement Learning [Bsc + Msc]

    Die Ausweitung des Reinforcement Learning auf komplexe Umgebungen erfordert die Anpassung unserer Methoden an große State- und Action spaces und komplizierte Dynamics. Behavioral similarity beinhaltet die Ausnutzung von Bedingungen, die zu identischen Handlungsverteilungen in ähnlichen Zuständen führen. In dieser Arbeit wird untersucht:

    • Sind Policy Similarity methoden robust gegenüber verschiedenen Arten von Veränderungen?

    • Können wir diese Methoden mit zusätzlichen kontextuellen Informationen erweitern?

    Bachelorarbeiten würden sich auf das erste Ziel konzentrieren, während Masterarbeiten beides in Angriff nehmen und sich auf die Entwicklung einer neuen Methode konzentrieren würden.

    Kontakt: Aditya Mohan

  • Reinforcement Learning und Landscape Analysis [M.Sc]

    Eine Möglichkeit, die Unterschiede zwischen RL-Algorithmen zu verstehen, besteht in der Analyse der Returns, die durch die von diesen Algorithmen trainierte Strategie erzielt werden. Durch das Verständnis der Verteilungen dieser Returns können wir möglicherweise Aspekte der verschiedenen Arten von RL-Algorithmen verstehen. Diese Arbeit konzentriert sich auf die Verwendung der Landscape Analysis zum Verständnis und zur Charakterisierung von RL-Algorithmen. Das endgültige Ziel wird sein, diese Charakterisierung für Meta-RL zu nutzen.

    Kontakt: Aditya Mohan

  • Augmentieren von Algorithmenkomponenten in RL durch Meta-Lernen [MSc]

    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

  • Verbesserung der Analyse des Tierverhaltens via HPO in Objektverfolgungsalgorithmen - In Zusammenarbeit mit dem Zoo Hannover [MSc]

    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

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.

luhai_slides_template.pptx
PPTX, 1 MB