SPP 1527 - Autonomes Lernen

Die Erforschung der Grundlagen des Lernens hatte in den letzten Jahrzehnten beachtliche Erfolge vorzuweisen. Die Methoden des maschinellen Lernens und der statistischen Lerntheorie sind heute aus vielen technischen und naturwissenschaftlichen Anwendungen nicht mehr wegzudenken. In der Praxis sind diese Methoden jedoch in erheblichem Ma?e von einem menschlichen Experten abh?ngig, der die Trainingsbeispiele ausw?hlt und die Daten in einer vorverarbeiteten Form repr?sentiert, der entscheidet, welcher Lernalgorithmus mit welchen Parametern angewandt wird, und der schlie?lich die Struktur und die intern genutzten Repr?sentationen (z.B. Merkmalsvektoren) des Systems festlegt. Dies widerspricht der Intention, dass die F?higkeit zu lernen ein System flexibler und autonomer machen sollte, und steht im Kontrast zum Lernen, wie wir es in biologischen Systemen finden.

Das Ziel dieses Schwerpunktprogramms ist die Erforschung der Grundlagen des autonomen Lernens. Insbesondere werden neue Konzepte und Methoden entwickelt, die den n?chsten Schritt machen, vom bisherigen maschinellen Lernen zu einem autonomen Lernen in Systemen, die mit einer variablen, nur partiell modellierbaren Umwelt hoher Komplexit?t interagieren und diese explorieren. Kernaspekte des autonomen Lernens sind: (1) die autonome Wahl von Parametern, Repr?sentationen und genutzten Strukturen beim Lernen, unabh?ngig von einem menschlichen Experten, (2) die autonome Auswahl dessen, was gelernt wird, d.h. die autonome Exploration und die aktive Suche nach Information, statt des Lernens aus vorgegebenen Datens?tzen, (3) das Finden geeigneter Repr?sentationen, insbesondere das Lernen hierarchischer Repr?sentationen, (4) das inkrementelle Aufbauen immer abstrakterer Ebenen der Repr?sentation von Stimuli, Handlungen und Prozessen.

Existierende Methoden des maschinellen Lernens, vor allem des Reinforcement-Lernens, und der autonomen Robotik bieten Ausgangspunkte und Basismethoden für die Erforschung solcher Lernprozesse. Darauf aufbauend wird nun der n?chste Schritt in Richtung vollst?ndiger Autonomie des Lernsystems gemacht.

DFG-Verfahren Schwerpunktprogramme

Internationaler Bezug China (Hongkong), Kanada

Projekte

Aktive Exploration in den hochdimensionalen Daten einer künstlichen Haut (Antragsteller Knoll, Alois; Strohmayr, Michael)

Auto-Tune: Automatische Strukturoptimierung von Lernalgorithmen auf gro?en Datens?tzen (Antragsteller Brox, Thomas; Hennig, Philipp; Hutter, Ph.D., Frank)

Autonomes Aktives Lernen von Objektwissen mit Manipulationsrobotern (Antragsteller Behnke, Sven; Burgard, Wolfram)

Autonomes Lernen für Bayes'sche kognitive Robotik (Antragsteller Beetz, Ph.D., Michael)

Autonomes Lernen in der sensomotorischen Schleife - ein informationstheoretischer Zugang (Antragsteller Ay, Nihat)

Autonomes und effizient skalierbares Deep Learning (Antragsteller Lücke, J?rg)

Autonomous Learning of Bipedal Walking Stabilization (Antragsteller Behnke, Sven)

Bayessches Lernen einer hierarchischen Repr?sentation von Sprache aus gesprochener Eingabe (Antragsteller H?b-Umbach, Reinhold)

Das Erlernen von Verhaltensmustern in der Sensomotorischen Schleife: Experimente mit Animaten (Antragsteller Pasemann, Frank)

Der Entwicklungsprozess als Form des autonomen Lernens: Emergente Stufen der Entwicklung von der Sensomotorik zur Kognition (Antragsteller Sch?ner, Gregor)

Die Physical Exploration Challenge: Roboter, die lernen, Freiheitsgrade der Welt zu entdecken, zu bewegen und zu explorieren (Antragsteller Brock, Oliver; Toussaint, Marc)

Effizientes Aktives Online Lernen für 3D Rekonstruktion und Szenenverstehen (Antragsteller Cremers, Daniel; Triebel, Rudolph)

Koordinationsprojekt SPP 1527 "Autonomes Lernen" (Antragsteller Toussaint, Marc)

Lernen effizienter Abtastung für das aktive Sehen (Antragsteller Martinetz, Thomas)

Lernen von dynamisiertem Feedback in Intelligenten Tutorsystemen (Antragstellerinnen / Antragsteller Hammer, Barbara; Pinkwart, Niels)

Lernen von Modularen Aktionsrepr?sentationen für motorische Fertigkeiten von Robotern (Antragsteller Neumann, Gerhard; Peters, Ph.D., Jan Reinhard)

Methoden des Spracherwerbs basierend auf sp?rlicher Kodierung (Antragsteller H?b-Umbach, Reinhold)

Problemübergreifendes Hyperparameter-Lernen (Antragsteller Schmidt-Thieme, Lars)

Reinforcement Learning mit qualitativem Feedback (Antragsteller Fürnkranz, Johannes; Hüllermeier, Eyke)

Relationale Exploration, Lernen und Inferenz - Grundlagen des Autonomen Lernens in natürlichen Umgebungen (Antragsteller Kersting, Kristian; Toussaint, Marc)

Robots Exploring Tools as Extensions to their Body Autonomously (Antragsteller Asfour, Tamim; Ritter, Helge)

Skalierbares Autonomes Selbstverst?rkendes Lernen durch Reduzierung der Vorstrukturierung (Antragsteller B?decker, Joschka; Peters, Ph.D., Jan Reinhard)

Theoretische Konzepte für co-adaptive Mensch-Maschine-Interaktion mit Anwendungen auf BCI (Antragsteller Müller, Klaus-Robert)

Unüberwachtes Lernen von hierarchischen Bildrepr?sentationen auf der Basis von probabilistischen Modellen (Antragsteller Bethge, Matthias)

Verknüpfung von metrischen und symbolischen Ebenen in autonomen Reinforcement Lernen (Antragsteller Obermayer, Klaus)

Sprecher Professor Dr. Marc Toussaint