Statistische Theorien für dünnbesetztes tiefes Lernen

Dünnbesetztheit ist ein in der Statistik und im maschinellen Lernen weitverbreitetes Konzept, weil es Überanpassung vermeiden, Berechnungen beschleunigen, und Deutungen erleichtern kann. Im tiefen Lernen hingegen ist das Potenzial von Dünnbesetztheit noch nicht vollständig erforscht. Das Ziel dieses Projektes ist deshalb die Entwicklung von statistischen Theorien zum dünnbesetzten tiefen Lernen. Wir betrachten verschiedene Arten von Dünnbesetztheit und berücksichtigen die Herausforderungen der nichtkonvexer Optimierung. Unsere wichtigste Innovation neben den Theorien an sich ist die Verflechtung von hochdimensionaler Statistik, empirischen Prozessen und tiefem Lernen. Unsere Forschung ist deshalb nicht nur ein zeitgemäßer Beitrag zu den mathematischen Grundlagen des tiefen Lernens, sondern auch ein Katalysator für weitere Forschung in Statistik, Mathematik und Informatik.

DFG-Verfahren Sachbeihilfen