14. Februar 2019
Die laufende Veränderung von gemessenen Daten (vgl. „concept drift“, „dataset shift“, „calibration drift”, ...) stellt ein großes Problem für viele Machine Learning Anwendungen dar. Diese Veränderungen können verschiedene Gründe wie z.B. Veränderungen am Messgerät haben und führen dazu, dass Machine Learning Modelle auf neuen Daten nur unzureichende bzw. immer schlechtere Vorhersagen liefern.
mehr SCCH: Framework zur Anwendung von Drifterkennungsmethoden
14. Februar 2019
Die Datenschutzgrundverordnung ist mit ein Grund, warum im Bereich des Maschinellen Lernen das Thema privacy (Sicherstellung der Privatsphäre) immer mehr Beachtung findet. Im Rahmen dieser Masterarbeit soll untersucht werden, wie geeignet secure multi-party computation (SMC - sichere Mehrparteienberechnungen) und homomorphic encryption (HE - Homomorphe Verschlüsselung) Ansätze zur Implementierung von Machine Learning Algorithmen geeignet sind, welche die Privatsphäre der Datenbereitsteller schützen.
mehr SCCH: Secure Machine Learning
14. Februar 2019
Cutting-Stock Probleme treten sehr häufig im industriellen Umfeld auf und effiziente Lösungen führen in der Regel zu großem wirtschaftlichen Nutzen. Traditionell erfolgt dies mit Techniken der linearen Programmierung, jedoch ist deren Einsatz bei Vorhandensein von nichtlinearen Beschränkungen und Zielfunktionen sehr begrenzt. Aus diesem Grund haben wir einen evolutionären stochastic-local-search (SLS) Algorithmus entwickelt, um Probleme dieser Art zu lösen.
mehr SCCH: Design und Evaluierung von Meta-Heuristiken in Cutting-Stock Problemen
14. Februar 2019
Es sollen im Rahmen der Masterarbeit neueste Ansätze mittels Deep Learning evaluiert werden, u.a. „Deep Compositional Captioning“ (github.com/LisaAnne/DCC), „Deep Visual-Semantic Alignments for Generating Image descriptions“ (cs.stanford.edu/people/karpathy/deepimagesent/), „Show, Attend and Tell: Neural Image Caption Generation with Visual Attention” (github.com/kelvinxu/arctic-captions).
mehr SCCH: Generierte textuelle Beschreibung
14. Februar 2019
In dieser Masterarbeit soll in einem konkreten Anwendungsfall bei einem Industriepartner untersucht werden, inwieweit Augmented Reality bei der richtigen Programmierung eines Roboters helfen kann. Im konkreten Umfeld wird der Roboter zur Entnahme von Produkten einer Maschine verwendet. Idee ist die programmierten Bewegungen des Roboters in der realen Umgebung (Umgebung der Maschine) darzustellen bzw. die Bewegungsgrenzen des Roboters anzuzeigen.
mehr SCCH: Augmented Reality
14. Februar 2019
Die erste besteht darin, neue Syntaxanalysatoren aus Grammatiken zu entwickeln und wird vor allem für domänen- oder unternehmensspezifische Programmier- und Konfigurationssprachen eingesetzt. Die zweite Möglichkeit besteht in der Integration von Rascal mit bestehenden Parsern, z. B. Eclipse JDT für die Programmiersprache Java. Die anschließenden Analyse- und Transformationsaufgaben werden in einer von Rascal bereitgestellten Sprache implementiert.
mehr SCCH: Statische Programmanalyse und –transformation
14. Februar 2019
Ausgehend von einem Startinput analysieren diese Werkzeuge einen einzelnen Ausführungspfad einer einzelnen Funktion oder einer vollständigen Software-Anwendung (z. B. PowerPoint) und generieren fortlaufend neuen Testinput, um neue Ausführungspfade testen. Laut Microsoft konnten mit dieser Technik viele kritische Software-Fehler gefunden werden, auch für bereits gut getestete Software.
mehr SCCH: Automatischer Softwaretest
14. Februar 2019
Die Blockchain-Technologie stellt einen neuartigen Ansatz zur Entwicklung verteilter, dezentraler Systeme in unterschiedlichen Anwendungsgebieten dar. In Kombination mit Smart Contracts, mittels derer sich Verträge, z.B. zwischen dezentralen/privaten Stromproduzenten und -konsumenten, technisch-logisch abbilden lassen
mehr SCCH: Prototypische Implementierung einer dezentralen Energie-Community
14. Februar 2019
Als RePhrase-Projektpartner beschäftigt sich das SCCH in diesem Zusammenhang unter anderem mit diesen Technologien für Anwendungen, in denen maschinelles Lernen zum Einsatz kommt. Die neuen Tools werden verwendet, um Algorithmen des maschinellen Lernens auf verschiedenen Ebenen zu parallelisieren; z.B. Parallelisierung auf GPUs zur Beschleunigung der eigentlichen Algorithmen und Parallelisierung der Modellauswahl auf CPU Ebene.
mehr SCCH: Parallelisierung von Machine Learning
14. Februar 2019
Ein grundsätzliches Problem dabei ist, dass das Tracking durch Störungen (Verdeckungen, Unzulänglichkeiten Bildverarbeitung) unterbrochen werden. Es soll nun ein neuer Ansatz basierend auf „Markov Decision Processes“ getestet werden, um solche Unterbrechungen zu reduzieren.
mehr SCCH: Online Multi-Objekt Tracking
