Machine Learning

Machine Learning

Entwicklung von Lösungen unter Einbeziehung von Daten und Wissen

Machine Learning

Im Kompetenzfeld Machine Learning (Maschinelles Lernen) verstehen wir uns als Vorreiter – sowohl bei der Forschung auf diesem Gebiet als auch bei der nutzenstiftenden Anwendung in der industriellen Praxis. Das Maschinelle Lernen zielt darauf ab, Problemstellungen auf Basis vorgegebener Beispiele zu lösen. Obwohl solche Maschinen nicht wie wir Menschen lernen, lassen sie sich so konstruieren, dass sie uns in komplexen Umgebungen behilflich sein können, beispielsweise beim autonomen Fahren, bei medizinischer Diagnostik oder vorausschauender Instandhaltung.

Vor allem die Themen Reinforcement Learning (Bestärkendes Lernen) und Representation Learning (Repräsentationslernen) stehen im Mittelpunkt unserer Forschung. Darüber hinaus konzentrieren wir uns auf die Entwicklung von Strategien, die das Anpassungsvermögen von datengetriebenen Ansätzen an sich ändernde Bedingungen erhöhen, –diese Ansätze somit konstanter gegenüber Änderungen machen. Anwendungsgebiete sind die Bild- und Sprachverarbeitung, die autonome Navigation und Empfehlungssysteme. Wir haben uns vorgenommen, ein tiefes Verständnis für das Maschinelle Lernen, seine Konzepte und Anwendungsszenarien zu gewinnen. Dies ist die Voraussetzung, um diese neue Technologie effizient in der Praxis einzusetzen.

Um den Technologietransfer zu erleichtern, betreibt unser Kompetenzfeld das „One Stop Shop“-Machine Learning Lab (One-ML). Am One-ML bieten wir Partnern und Interessierten aus Industrie, Bildung und Gesellschaft eine Reihe von Diensten aus einer Hand. Das sind technische Coachings für das Maschinelle Lernen, Beratungsdienstleistungen zu verschiedenen Themen, die von der Theorie über die Entwicklung bis zur Implementierung reichen, bis hin zu öffentlichen Vorträgen über Chancen und Risiken des Maschinellen Lernens.

Weitere Informationen

Whitepaper Human-centric Machine Learning
Whitepaper Human-centric Machine Learning
Whitepaper Knowledge as Invariance
Whitepaper Knowledge as Invariance
Dr. Hao Shen

Ihr Kontakt

Dr. Hao Shen

+49 89 3603522 423
shen@fortiss.org

Projekte

Publikationen

  • 2022 Laplace Approximation for Real-time Uncertainty Estimation in Object Detection Ming Gui, Tianming Qiu, Fridolin Bauer und Hao Shen 25th IEEE International Conference on Intelligent Transportation Systems (ITSC), ():, 2022. Details BIB
  • 2022 SViT: Hybrid Vision Transformer Models with Scattering Transform Tianming Qiu, Ming Gui, Cheng Yan, Ziqing Zhao und Hao Shen 32nd IEEE International Workshop on Machine Learning for Signal Processing (MLSP), ():, 2022. Details BIB
  • 2021 Low-Redundancy Realization of Safety-Critical Automotive Functions Simon Barner, Stefan Matthes, Holger Dormann, Angelika Schingale, Eberhard Kaulfersch, Michael Eichhorst, Lutz Scheiter, Holger Schmidt und Jürgen Gebert In MikroSystemTechnik (MST) Kongress, VDE Verlag GmbH Berlin Offenbach.. Details URL BIB
  • 2021 Dynamic Texture Recognition via Nuclear Distances on Kernelized Scattering Histogram Spaces Alexander Sagel, Julian Wörmann und Hao Shen In IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pages 3755–3759, Details DOI BIB
  • 2021 Neural Network and Correlation based Earth-Fault Localization utilizing a Digital Twin of a Medium-Voltage Grid Julian Wörmann, Melanie Urban, David Grubinger, Nuno Silva und Hans-Peter Schwefel In e-Energy '21: Proceedings of the Twelfth ACM International Conference on Future Energy Systems, pages 249–253, Details DOI BIB
  • 2020 Draw with Me: Human-in-the-Loop for Image Restoration Thomas Weber, Zhiwei Han, Stefan Matthes, Heinrich Hußmann und Yuanting Liu In the 43rd German Conference on AI, pages 245-248, Springer. Details URL BIB
  • 2018 Towards a Mathematical Understanding of the Difficulty in Learning with Feedforward Neural Networks Hao Shen Proceedings of the 31st IEEE Conference on Computer Vision and Pattern Recognition (CVPR), ():811–820, 2018. Details BIB