7. ML4CPS-Konferenz, 21.–22. März 2024, Berlin
Die 7. ML4CPS bietet eine Plattform für den Austausch zwischen Forschenden, Anwenderinnen und Anwendern aus verschiedenen Bereichen. Die Konferenz wird in englischer Sprache am 21. und 22. März 2024 im Fraunhofer-Forum in Berlin abgehalten. Gastgeber sind das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB und die Helmut-Schmidt-Universität (HSU).
Einreichungen erbeten
Die Beiträge können sich auf die folgenden Themen beziehen, sind aber nicht darauf beschränkt:
- Große Sprachmodelle für CPS: Große Sprachmodelle verfügen über die Fähigkeit, die Interaktion zwischen Mensch und Maschine zu erleichtern. Ihre Fähigkeit, Texte zu interpretieren und zu generieren, eröffnet neue Möglichkeiten für intelligente Automatisierung, kontextbezogenes Verständnis und nahtlose Integration verschiedener Datenquellen und verbessert letztendlich die Gesamtleistung und Funktionalität cyber-physischer Systeme.
- Multimodales Lernen: Diese Modelle verfügen über die Fähigkeit, die Integration mehrerer verschiedener Sensoren zu erleichtern. Multimodale Modelle des maschinellen Lernens können Sensormessungen, visuelle Daten, Kontextinformationen und verschiedene andere Arten von Eingaben effektiv kombinieren. Durch den Einsatz dieser Modelle können cyber-physische Systeme ihre Wahrnehmung verbessern, insbesondere in komplexen realen Szenarien, was zu einer verbesserten Gesamtleistung führt.
- Robustes maschinelles Lernen: Diese Techniken spielen eine entscheidende Rolle, da sie die Auswirkungen verrauschter oder widersprüchlicher Daten reduzieren. Durch die Einbeziehung von Robustheitsmaßen können Modelle des maschinellen Lernens bei der Verwendung für cyber-physische Systeme eine verbesserte Belastbarkeit, verbesserte Generalisierungsfähigkeiten und eine zuverlässige Leistung aufweisen.
- Integration von Domänenwissen in neuronale Netze: Dies ist ein entscheidender Aspekt für den Aufbau robuster und leistungsstarker neuronaler Netze. Es gibt verschiedene Möglichkeiten, Vorwissen in das neuronale Netzwerk zu integrieren, z. B. den Entwurf der Netzwerkarchitektur, die Einbeziehung zusätzlicher Daten aus Simulationen oder das Auferlegen von Einschränkungen für die Verlustfunktion. Alle Ansätze führen zu einer verbesserten Netzwerkleistung und Anpassungsfähigkeit in cyber-physischen Systemen.