The dynamics of complex technical systems can be approximated by recurrent neural networks (RNN). Such methods have proven to be powerful alternatives to analytical models which are not always available or may be inaccurate, but they often require large amounts of data, which is a scarce resource in many applications. In this thesis, RNN models are developed which allow for data-efficient knowledge transfer from source task(s) to a related target task that lacks data. The primary contribution is a novel RNN architecture which uses factored tensors to encode cross-task and task-specific information.     «

The dynamics of complex technical systems can be approximated by recurrent neural networks (RNN). Such methods have proven to be powerful alternatives to analytical models which are not always available or may be inaccurate, but they often require large amounts of data, which is a scarce resource in many applications. In this thesis, RNN models are developed which allow for data-efficient knowledge transfer from source task(s) to a related target task that lacks data. The primary contribution is...     »

Die Dynamik komplexer technischer Systeme kann durch rekurrente neuronale Netze (RNN) datengetrieben approximiert werden, was eine leistungsfähige Alternative zu analytischen Modellen darstellt, da letztere nicht immer verfügbar oder unzureichend genau sind. Datengetriebene Modelle benötigen häufig große Datenmengen, jedoch sind Daten in vielen Anwendungen rar. Die Arbeit befasst sich mit der Entwicklung von RNN-Modellen, die einen dateneffizienten Informationstransfer von Referenzsystemen auf ein Zielsystem trotz weniger Daten ermöglichen. Der primäre Beitrag ist eine neuartige RNN-Architektur, die mithilfe von faktorisierten Tensoren globale und systemspezifische Informationen effizient kodiert.     «

Die Dynamik komplexer technischer Systeme kann durch rekurrente neuronale Netze (RNN) datengetrieben approximiert werden, was eine leistungsfähige Alternative zu analytischen Modellen darstellt, da letztere nicht immer verfügbar oder unzureichend genau sind. Datengetriebene Modelle benötigen häufig große Datenmengen, jedoch sind Daten in vielen Anwendungen rar. Die Arbeit befasst sich mit der Entwicklung von RNN-Modellen, die einen dateneffizienten Informationstransfer von Referenzsystemen auf e...     »