stratDL

FFG COMET, 2019 – 2022

Strategische Forschung zu den Grundlagen von Deep Learning Anwendungen

Motivation

Das Ziel dieses strategischen Projekts ist es, grundlegende methodische Forschung zur Erreichung unserer Ziele zu schaffen. Zur Unterstützung der anwendungsorientierten multi-firm Projekte planen wir folgende Forschungsaspekte:

  • Weiterentwicklung, Etablierung und Anwendung wissensbasierter und probabilistischer Methoden, um die Vertrauenswürdigkeit von Modellen, die auf maschinellem Lernen basieren, in der Daten- und Bildanalyse zu erhöhen
  • Erleichterung und Unterstützung des effizienten Entwurfs, Trainings und der Anpassung von (Deep) Maschine Learning Modellen für die Daten- und Bildanalyse durch Wissens- und Modellintegration
  • Entwicklung von Best-Practice-Workflows und Softwareinnovationen zur Erfüllung spezifischer Systemanforderungen und -beschränkungen durch Nutzung interdisziplinärer Forschungssynergien zwischen datengetriebener Modellierung und Software-Engineering-Ansätzen

Die in diesem Projekt geleistete Arbeit wird stark von unseren wissenschaftlichen Partnern begleitet.

Erwartete Ergebnisse

  • Mathematische Methoden zur Beurteilung der Vertrauenswürdigkeit von Deep Learning Modellen
  • Mathematische Grundlagen für Transfer Learning
  • Methoden zur Bewertung des Levels der Privatsphäre, das in verteilten Deep Learning Systemen erreicht werden kann
  • Auf maschinellem Lernen basierende Ansätze für causal discovery, welche für industrielle Anwendungen geeignet sind, insbesondere für die Erkennung von Regelkreisen
  • Laufzeit- und Konvergenzansätze für robuste Lernalgorithmen, die auf Anwendungen zur Fehlererkennung und -vorhersage ausgerichtet sind
  • Konvergenz- und Performancegarantien: Wir streben zudem eine stärkere Online-Anpassung von tiefen neuronalen Netzwerken an, wo wir Performancegarantien für Online-Implementierungen bieten wollen
  • Anwendungsspezifische Benchmark-Datensätze zur Auswertung der prädiktiven Verhaltensanalyse aus den Bereichen Sicherheitskontrolle, Sicherheitsüberwachung, Scouting und Tracking-basierte ergonometrische Analytik
  • Python-Software-Prototyp für die prädiktive Verhaltensanalyse und deren Benchmarking

Wissenschaftliche Kooperationen

  • PhD-Kooperation mit JKU-FLLL (Johannes Kepler Universität Linz / Institut für Wissensbasierte Mathematische Systeme) zum Thema Transfer Learning (Prof. Susanne Saminger-Platz)
  • PhD-Kooperation mit JKU-FAW (Johannes Kepler Universität Linz / Institut für anwendungsorientierte Wissensverarbeitung) zum Thema Automatisiertes Datenqualitätsmanagement (Prof. Wolfram Wöß)
  • PhD-Kooperation mit CMP (Czech Technical University Prague / Center for Machine Perception) zum Thema Computer Vision, Machine und Deep Learning (Prof. Jiří Matas)
  • PhD-Studenten Kooperation mit Universität Passau, Lehrstuhl für Data Science (Prof. Michael Granitzer)
  • Masterstudenten Kooperation mit KTH Royal Institute of Technology, School of Electrical Engineering and Computer Science (Prof. Mihhail Matskin)
  • Masterstudenten Kooperation mit Universität Maastricht, Department of Data Science & Knowledge Engineering (Prof. Gerhard Weiß)
  • Masterstudenten Kooperation mit Radboud Universität Nijmegen, Institute for Computing and Information Sciences (Prof. Tom Heskes)

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMDW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.

Fischer Lukas

Research Manager Data Science
Telefon: +43 50 343 828