Research Fokus
Theory-Inspired Machine Learning
Theoriebasiertes Machine Learning erreicht eine Domänenspezialisierung durch die Einbeziehung von Vorwissen bei der Auswahl, Parametrisierung oder dem Training eines ML-Modells. In diesem Forschungsschwerpunkt werden Methoden entwickelt, um Vorwissen in ML-Modelle einzubeziehen oder theoriegesteuerte Modelle mit einer datengesteuerten Komponente zu ergänzen (Hybridmodelle).
Privacy-Preserving Representations
Wir erforschen die weniger offensichtlichen Anhaltspunkte zur Identifikation von Personen, wie etwa den Schreibstil, wenn es um die Feststellung von Urheberschaft geht. Daran schließen die Fragen an, was „Privatsphäre“ in Bezug auf die individuelle Aufgabe oder die Anwendungsdomäne ausmacht und welche Techniken zum Schutz der Privatsphäre geeignet sind. Unsere Forschung konzentriert sich auch auf repräsentative Aspekte des Deep Learning.
Domain-Informed Reinforcement Learning
Unser Forschungsziel ist es, domäneninformierte Methoden bereitzustellen, die DRL für ein breites Spektrum von Anwendungen zugänglich machen und somit die praktische Anwendbarkeit von DRL verbessern, um ihr Potenzial zu erschließen. Wir untersuchen auch, wie Domänenwissen in der Lage ist, Probleme zu überwinden, die mit hochdimensionalen kontinuierlichen Handlungsräumen und begrenzten Datenmengen verbunden sind.
