Wir forschen an hochmodernen Deep Generative Models, die dazu dienen, reale Bosch-Systeme dateneffizient zu machen. Wir suchen eine:n Doktorandin bzw. Doktoranden, der sich für die Erforschung kreativer Anwendungen generativer Modelle (z.B. Stable Diffusion) als kontrollierbare Datensatzdarstellung für Training sowie Validierung von Netzwerken für nachgelagerte Aufgaben interessiert.
Nicht alle Datenpunkte in einem Datensatz sind gleichermaßen wichtig für die Leistung eines neuronalen Netzwerks. Mit fortschreitendem Training ist der Verlust einiger Datenpunkte möglicherweise nicht mehr aussagekräftig, da das Netzwerk bereits alles daraus gelernt hat, was es kann. Daher kann es von Vorteil sein, das Netzwerktraining zu beobachten, um die richtigen Daten zur richtigen Zeit bereitzustellen. Allerdings ist die Auswahl von Daten aus einem festen Datensatz problematisch, wenn kein Bild mit der genauen Mischung von Attributen vorhanden ist. Ziel dieses Doktorandenprojekts ist die Entwicklung neuer Lernalgorithmen zur Generierung relevanter Daten „on Demand“ als Reaktion auf den Bedarf des Netzwerks. Dazu gehört unter anderem die Verbesserung der Trainingseffizienz durch die Synthese von Daten besserer Relevanz sowie durch gezielte Erstellung von Beispielen sicherzustellen, dass die gewünschte Invarianz erzielt wird.
The boar re-runs this search every day and emails you what’s new — scraped straight from company career sites, no recruiter spam. Free.