Epochenabhängige Lossfunktionen zum Training künstlicher neuronaler Netze
Bachelorarbeit,Masterarbeit,Studienarbeit
Im Rahmen des Projekts Facial Animation Database

Description

Künstliche neuronale Netze sind aktuell in vielen Gebieten sowohl Forschungsschwerpunkt als auch Stand der Forschung. Ihre Anwendung umfasst eine weites Gebiet, typisch sind etwa Klassifikationsprobleme. Das Training eines künstlichen neuronalen Netzes basiert dabei auf einer gegeben Verlustfunktion, welche beschreibt, was das Netz lernen soll und Gradientenabstieg, welcher für gegebene Paare von Eingangs- und Ausgangsdaten die Verlustfunktion minimiert.

Oftmals ist es nicht möglich als Verlustfunktion direkt das Kriterium von Interesse, wie etwa die Klassifikationsgenauigkeit, zu verwenden. Man bedient sich dann Verlustfunktionen, deren Wert möglichst stark mit dem eigentlichen Zielkriteritum korreliert ist.

Die Erfahrung zeigt jedoch, dass typischerweise ab einem gewissen Trainingsstand die Korrelation zwischen der Verlustfunktion und dem Zielkriterium abschwächt. Hier setzt diese Arbeit an. Es soll versucht werden die Verlustfunktion in diesen Momenten anzupassen, so dass das eigentliche Zielkriterium besser optimiert werden kann.

Requirements

  • Eigenständiges Arbeiten
  • Grundlagen neuronaler Netze
  • Grundlagen Python
  • Grundlagen Statistik, insbesondere Korrelation

Contact person: Reemt Hinrichs