Datengetriebene Optimierung und Steuerung

Leitung:
Jia-Jie Zhu

Mitarbeiterinnen und Mitarbeiter:
Zusen Xu

Sekretariat:
Christine Schneider


Die Gruppe konzentriert sich auf die Forschung im Bereich des modernen maschinellen Lernens und der Optimierung. Wir sind zum Beispiel an der Robustheitstheorie für maschinelles Lernen und Optimierung interessiert. Dazu müssen wir rechnergestützte Optimierungswerkzeuge verwenden, die Wahrscheinlichkeitsverteilungen manipulieren können, die von Natur aus unendlich-dimensional sind. Wir arbeiten hauptsächlich an Variations- methoden für maschinelles Lernen und Optimierung über Wahrscheinlichkeitsverteilungen, die in der Theorie der Gradientenflüsse und des optimalen Transports von Wahrscheinlichkeitsmaßen verwurzelt sind.

Höhepunkte

11. - 15.03.2024: Organisation des Workshop on Optimal Transport from Theory to Applications Interfacing Dynamical Systems, Optimization, and Machine Learning (OT-DOM) in Berlin, Germany. Programm und Folien

Ziele

Unser Ziel ist es, groß angelegte Berechnungsalgorithmen im Bereich maschinelles Lernen/Optimierung mit der Theorie dynamischer Systeme wie (PDE) Gradientenflüsse und optimaler Transport zu verbinden. Zu den Schwerpunktthemen gehören die Optimierung und Anwendungen des maschinellen Lernens nach (Wasserstein-)Fisher-Rao, auch bekannt als (Spherical-)Hellinger-Kantorovich, Gradientenflüsse, Kernel-Methoden für dynamische Systeme und Optimierung über Wahrscheinlichkeitsverteilungen, robustes Lernen und Optimierung unter Verteilungsverschiebung und kausalen Confoundings.