Promotion - Effiziente Neuronale Repräsentation von Datensätzen
Aufgaben
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.
- Als Teil unseres Teams entwickeln Sie neuartige Ansätze zur Anpassung von Deep Generative Models (z.B. Diffusion Models, GANs, VAEs) als Datenquellen, um nachgelagerte Modelle besser zu trainieren und zu validieren.
- Darüber hinaus nutzen Sie die Steuerbarkeit und das Wissen generativer Basismodelle, um Datensätze nicht mehr nur als eine lose Sammlung von Bildern zu betrachten.
- Sie diskutieren sowie entwickeln neue Ideen mit den Expertinnen bzw. Experten für Deep Learning und Computer Vision im Bosch Center for AI.
- Darüber hinaus haben Sie die Möglichkeit, Ihre Ergebnisse in hochrangigen Fachzeitschriften und Konferenzen zu veröffentlichen.
Profil - Ausbildung: ausgezeichneter Abschluss in Informatik oder einem verwandten Bereich mit Schwerpunkt auf Computer Vision und Deep Learning
- Erfahrungen und Know-how: fundierter Hintergrund in Deep Learning und Computer Vision, Erfahrung mit Deep-Learning-Frameworks (TensorFlow, PyTorch usw.) sowie sehr gute Programmierkenntnisse (insbesondere Python) erforderlich, praktische Erfahrung mit Deep Generative Modeling und Foundation Models sind ein Plus, Veröffentlichungen von peer-reviewten Forschungsarbeiten ebenfalls von Vorteil, gute wissenschaftliche Schreibfähigkeiten
- Begeisterung: Begeisterung in einem interdisziplinären sowie internationalen Team zu arbeiten
- Sprachen: sehr gutes Englisch
- Ausbildung: ausgezeichneter Abschluss in Informatik oder einem verwandten Bereich mit Schwerpunkt auf Computer Vision und Deep Learning
- Erfahrungen und Know-how: fundierter Hintergrund in Deep Learning und Computer Vision, Erfahrung mit Deep-Learning-Frameworks (TensorFlow, PyTorch usw.) sowie sehr gute Programmierkenntnisse (insbesondere Python) erforderlich, praktische Erfahrung mit Deep Generative Modeling und Foundation Models sind ein Plus, Veröffentlichungen von peer-reviewten Forschungsarbeiten ebenfalls von Vorteil, gute wissenschaftliche Schreibfähigkeiten
- Begeisterung: Begeisterung in einem interdisziplinären sowie internationalen Team zu arbeiten
- Sprachen: sehr gutes Englisch
