Geometric Deep Learning
Unser Forschungsbereich "Geometric Deep Learning" beschäftigt sich mit einer spannenden und zukunftsweisenden Richtung in der Welt der künstlichen Intelligenz. An dieser Stelle wollen wir unsere Themen übersichtlich darstellen.
Was ist Geometric Deep Learning?
Geometric Deep Learning ist eine Teildisziplin des maschinellen Lernens, die sich mit der Verarbeitung und Analyse von Daten beschäftigt, die in einer geometrischen Struktur vorliegen. Diese Strukturen können vielfältig sein, von 2D-Bildern über 3D-Modelle bis hin zu Netzwerken oder Graphen. Das Ziel ist, Algorithmen zu entwickeln, die insbesondere für beliebige Graphen vorliegendes Wissen effizient extrahieren und für verschiedene Aufgaben nutzen können.
Unsere aktuellen Forschungsthemen:
-
Expressivität von Faltungsoperatoren: Ein Schwerpunkt unserer Forschung ist die Untersuchung und Verbesserung von Faltungsoperatoren in Geometric Deep Learning. Das effiziente Erlernen von beliebigen Funktion auf Graphen stellt eine Herausforderung für aktuelle Methoden dar. Im Allgemeinen besteht das Ziel bei der Konstruktion von Faltungsoperatoren darin, jeden Knoten mit der umgebenden Struktur innerhalb des Graphen und der entsprechenden Merkmale möglichst effizient nützlichen Repräsentationen zuzuweisen. Strukturelle Unterschiede sollen durch die Operatoren berücksichtigt werden und verschieden repräsentiert werden. Die Theorie ist hier eng verbunden mit dem Graphen-Isomorphismusproblem. Ebenso untersuchen wir die benötigten Eigenschaften von Operatoren um diverse Repräsentation basierend auf den initialen Merkmalen zu finden.
-
Effiziente Verarbeitung: Ein weiteres zentrales Forschungsgebiet unserer Gruppe liegt in der effizienten Verarbeitung von beliebigen Datenstrukturen zur Verwendung von expressiven Modellen in ressourcenbeschränkten Systemen. Hier beschäftigen wir uns mit der Verbesserung unserer Verständnisses für das vorhandene Wissens in komplexen Modellen und der Nutzung dieser Erkenntnisse für den Transfer dieses Wissens zu effizienteren Modellen mithilfe von Knowledge Distillation. Ebenso forschen wir an der Kompression von Datenstrukturen, für welche die Expressivität beibehalten oder gesteigert werden soll.
Wir freuen uns, Informatik-Studierende, die an diesen spannenden Forschungsthemen interessiert sind, auf unserer Website zu begrüßen. Wenn Sie weiteres Interesse an unserer Forschung haben oder mehr erfahren möchten, zögern Sie nicht, uns zu kontaktieren.