What's hot in May?
Akzeptierte Publikationen für ICAI 2021
Drei wissenschaftliche Paper zu künstlichen neuronalen Netzen wurden für die International Conference on Artificial Intelligence (ICAI2021) akzeptiert. Thematisch bilden die Paper eine Trilogie:
Im Paper Under the Hood of Neural Networks: Characterizing Learned Representations by Functional Neuron Populations and Network Ablations haben die Autoren Richard Meyes, Constantin Waubert de Puiseau, Andres Felipe Posada Moreno & Tobias Meisen, inspiriert durch die Neurowissenschaften, die Aktivität von künstlichen neuronalen Netzen während des Entscheidungsfindungsprozesses visualisiert und analysiert. Ziel ist das Aufzeigen und Definieren besonders wichtiger erlernter Strukturen.
Im Paper How Do You Act? An Empirical Study to Understand Behavior of Deep Reinforcement Learning Agents untersuchen Richard Meyes, Tobias Meisen & Moritz Schneider das erlernte Verhalten von Deep Reinforcement Learning Agenten und wie dieses durch die einzelnen Neuronen im trainierten neuronalen Netz hervorgerufen wird.
Im Paper Exploring Behaviour via Neural Networks Activations in Deep Reinforcement Learning Agents schließen Melanie Lu, Andres Felipe Posada Moreno, Richard Meyes & Tobias Meisen mit dem zweiten Teil der Untersuchung an das erste Paper an.
Akzeptierte Publikation für die CIRP CMS 2021
Das Paper Transparent and Interpretable Failure Prediction of Sensor Time Series Data with Convolutional Neural Networks von Nils Hütten, Richard Meyes & Tobias Meisen wurde für die Conference on Manufacturing Systems (CIRP CMS 2021) akzeptiert. In dem Paper setzen sich die Autoren mit Gradient Weighted Class Activation Maps (Grad-CAM) auseinander, um zu bestimmen, welche Teile der Eingangssignale den größten Einfluss auf die Entscheidung des Netzes haben bzw. worauf es seine Aufmerksamkeit legt. Das haben sie mit einer Methode aus den Neurowissenschaften, den sog. Ablationsstudien, kombiniert.
Akzeptierte Publikation für die CPSL 2021
Das Paper Discovering Heuristics And Methaheuristics For Job Shop Scheduling From Scratch via Deep Reinforcement Learning von Thilo van Ekeris, Richard Meyes und Tobias Meisen wurde für die Conference on Production Systems and Logistics (CPSL 2021) akzeptiert. Die Autoren behandeln einen Reinforcement Learning Agenten für das Lösen eines Job Shop Scheduling Problems.
Akzeptierte Publikation im Journal of Intelligent Manufacturing
Der Beitrag Continual Learning of Neural Networks for Quality Prediction in Production using Memory Aware Synapses and Weight Transfer von Hasan Tercan, Philipp Deibert und Tobias Meisen wurde vom Journal of Intelligent Manufacturing zur Veröffentlichung akzeptiert. In der Arbeit untersuchen die Autoren den Einsatz von Continual Learning Verfahren für künstliche neuronale Netze zur Qualitätsvorhersage in der Produktion. Das grundlegende Ziel hierbei ist es, ein im Produktionsprozess trainiertes neuronales Netz auch nach möglichen Prozessänderungen, wie z.B. der Herstellung neuer Produkte, ohne Wissensverlust nutzen zu können. Der in der Publikation vorgeschlagene Ansatz kombiniert dabei ein State-of-the-Art Continual Learning Verfahren (Memory-Aware Synapses) mit Prinzipien des Transfer Learning (Nutzung vortrainierter Netzgewichte für neue Aufgaben). Die Evaluierung in einem realen Anwendungsfall für die Kunststofffertigung zeigt, dass durch diese Kombination das eingesetzte neuronale Netz neue Vorhersa-geaufgaben sehr dateneffizient lernt, ohne sein bisheriges Wissen vorheriger Aufgaben zu vergessen.
