Konferenzbeitrag
Lernen mit differenzierbaren Algorithmen
Vorschaubild nicht verfügbar
Volltext URI
Dokumententyp
Text/Conference Paper
Dateien
Zusatzinformation
Datum
2023
Autor:innen
Zeitschriftentitel
ISSN der Zeitschrift
Bandtitel
Verlag
Gesellschaft für Informatik e.V.
Zusammenfassung
Klassische Algorithmen und maschinelle Lernsysteme wie neuronale Netze begegnen uns beide häufig im Alltag. Während klassische Algorithmen für die präzise Ausführung genau definierter Aufgaben wie dem Finden des kürzesten Wegs in einem Graphen geeignet sind, ermöglichen neuronale Netze das Lernen aus Daten, um die wahrscheinlichste Antwort in komplexeren Aufgaben wie der Bildklassifizierung vorherzusagen. Um das Beste aus beiden Welten zu vereinen, kombiniert diese Arbeit beide Konzepte, was zu robusteren, leistungsfähigeren, interpretierbareren, recheneffizienteren und dateneffizienteren Architekturen führt. Bei der Integration eines Algorithmus in eine neuronale Architektur ist es wichtig, dass der Algorithmus differenzierbar ist, sodass die Architektur Ende-zu-Ende trainiert werden kann. Um Algorithmen differenzierbar zu machen, präsentiert diese Arbeit ein allgemeines Verfahren zur stetigen Relaxierung von Algorithmen. Überdies präsentiert diese Arbeit konkrete differenzierbare Algorithmen wie differenzierbare Sortier-Netzwerke, diffe- renzierbare Renderer, und differenzierbare Logik-Gatter-Netzwerke.