Neue maschinelle Lernverfahren am Grimm Lab entwickelt

Gleich zwei neue Forschungsarbeiten der Hochschule Weihenstephan-Triesdorf (HSWT) bringen Innovationen auf dem Gebiet von Deep Learning, um komplexe diskrete Optimierungsprobleme mit Hilfe neuronaler Netze zu lösen. Deep Learning ermöglicht es Computern, aus großen Mengen an Daten zu lernen und komplexe Muster zu erkennen. Entstanden sind die Arbeiten unter Leitung von Professor Dr. Dominik Grimm und seinem Doktoranden Jonathan Pierney.

Zwei Publikationen, die sich mit einem neuen Deep Learning Ansatz beschäftigen.

Quelle: freepik / © callmetak

Die Publikation „Self-Improvement for Neural Combinatorial Optimization“ wurde im Juni 2024 in der Fachzeitschrift „Transactions on Machine Learning Research“ veröffentlicht und mit einem Featured-Zertifikat für Publikationen höchster Qualität ausgezeichnet. Sie beschäftigt sich mit einem neuen Deep Learning Ansatz, bei dem ein neuronales Netz nicht mit vorgegebenen Lösungen (Supervised Learning) oder Belohnungen (Reinforcement Learning) trainiert wird, sondern sich auf Basis eigener Vorhersagen schrittweise selbst optimiert. 

Die zweite Arbeit „Take a Step and Reconsider: Sequence Decoding for Self-Improved Neural Combinatorial Optimization“ betrachtet Strategien zur Generierung von Lösungskandidaten durch das neuronale Netz. Dabei werden die Lösungen durch wiederholtes Sampling (Ziehen ohne Zurücklegen) verfeinert. So werden auch zuvor nicht untersuchte Lösungen betrachtet, was zu einer größeren Vielfalt führt. Der Ansatz ist universell, schnell und folglich sehr gut skalierbar. 

Jonathan Pierney wird die Ergebnisse der Forschung noch im Oktober auf der European Conference on Artificial Intelligence (ECAI) in Spanien der internationalen Fachwelt vorstellen. Die Publikation wurde bereits angenommen. 

zurück zur Übersicht

Linkliste

Link zur Konferenz Mehr Informationen und Links zu Publikationen