Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Originaltitel:
From Numerical Optimization to Deep Learning and Back
Übersetzter Titel:
Von Numerischer Optimierung zu Deep Learning und zurück
Autor:
Frerix, Thomas
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Cremers, Daniel (Prof. Dr.)
Gutachter:
Cremers, Daniel (Prof. Dr.); Goldstein, Tom (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 760; DAT 770
Kurzfassung:
This dissertation presents research at the intersection of deep learning and numerical optimization. We contribute a framework to derive deep learning optimization algorithms from an alternative view of the classical backpropagation algorithm. Furthermore, we propose a method to enforce linear inequality constraints on neural network activations. We continue by employing deep learning to improve the optimizability of a variational data assimilation problem. Finally, we devise a continuous relaxa...     »
Übersetzte Kurzfassung:
Diese Dissertation präsentiert Forschung an der Schnittstelle von Deep Learning und Numerischer Optimierung. Wir tragen ein Prinzip zur Formulierung von Deep Learning Optimierungsalgorithmen bei, welches auf einer alternativen Sichtweise auf den klassischen Backpropagation-Algorithmus basiert. Weiterhin schlagen wir eine Methode vor, um lineare Ungleichungen auf die Aktivierungen Neuronaler Netze zu forcieren. Wir fahren fort, indem wir Deep Learning einsetzen, um variationsbasierte Datenassimil...     »
WWW:
https://mediatum.ub.tum.de/?id=1638886
Eingereicht am:
17.01.2022
Mündliche Prüfung:
01.08.2022
Dateigröße:
7705951 bytes
Seiten:
94
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220801-1638886-1-0
Letzte Änderung:
22.08.2022
 BibTeX