Lernen mit differenzierbaren Algorithmen
| dc.contributor.author | Petersen, Felix | |
| dc.contributor.editor | Reischuk, Rüdiger | |
| dc.date.accessioned | 2023-11-09T13:38:07Z | |
| dc.date.available | 2023-11-09T13:38:07Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | 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. | de |
| dc.identifier.isbn | 978-3-88579-981-8 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/42599 | |
| dc.language.iso | de | |
| dc.publisher | Gesellschaft für Informatik e.V. | |
| dc.relation.ispartof | Ausgezeichnete Informatikdissertationen 2022 (Band D23) | |
| dc.title | Lernen mit differenzierbaren Algorithmen | de |
| dc.type | Text/Conference Paper | |
| gi.citation.endPage | 230 | |
| gi.citation.publisherPlace | Bonn | |
| gi.citation.startPage | 221 | |
| gi.conference.date | 14.-17.05.2023 | |
| gi.conference.location | Schloss Dagstuhl, Deutschland |
Dateien
Originalbündel
1 - 1 von 1