P2: Network Principles for Building Deep Convolutional Computing Architectures

Projektbeschreibung:

Tiefe Faltungsnetze (deep convolutional neural networks, DCNN) bilden die Grundlage für Cognitive Computing Architekturen, die für verschiedene sensorische Erkennungsaufgaben trainiert und adaptiert werden. Für die Realisierung effizienter, skalierbarer Netzwerkarchitekturen müssen insbesondere zwei Bereiche adressiert werden: die Bestimmung und Auswahl geeigneter Prinzipien beim Entwurf der Struktur der Netzwerke sowie die Spezifikation von Lernmechanismen für das Training geschichteter hierarchischer Merkmaldetektoren und deren Kombination. Hierfür werden Mechanismen zum Reinforcement-Lernen sowie evolutionäre Algorithmen für die nicht-lokale Optimierung von DCNN Architekturen zusammen mit lokalen Lernregeln für Merkmalrepräsentationen untersucht.

In diesem Promotionsprojekt sollen rekurrente DCNN Architekturen untersucht werden, wobei ein besonderes Augenmerk auf der Integration von Information über die Zeit gelegt wird. Als Grundbaustein der DCNN dienen kanonische Verarbeitungseinheiten eines vereinfachten Modells einer kortikalen Kolumne, die mit anderen Einheiten sowohl lateral als auch hierarchisch rekurrent verkoppelt sind. Repräsentationen derartiger geschichteter tiefer Netzwerke werden mittels hierarchischer Lernverfahren basierend auf modifizierten Hebb'schen Lernregeln sowie globaler Verstärkungssignale (Neuromodulatoren) generiert. Die Evaluierung resultierender Netzwerkarchitekturen erfolgt anhand geeigneter Benchmark Datensätze, z.B. MNIST, CIFAR oder geeigneter Datensätze zu Objekterkennung.

Erstbetreuer: