KI in der TV-Planung – Ein Blick in die Zukunft aus dem Wupper Valley
KI in der TV-Planung – Ein Blick in die Zukunft aus dem Wupper Valley
What's Hot in May?
Wir sind sehr erfreut, dass zwei unserer Publikationen zur Vorstellung auf wissenschaftlichen Konferenzen akzeptiert wurden. Darüber hinaus sind zwei weitere Publikationen auf arxiv veröffentlicht.
- Das Paper Effects of Domain Randomization on Simulation-to-Reality Transfer of Reinforcement Learning Policies for Industrial Robots von Christian Scheiderer et al. wurde auf der International Conference on Artificial Intelligence (ICAI20) angenommen. In dem Paper wird untersucht, wie sich eine Randomisierung von Simulationsparametern auf die Übertragbarkeit von lernenden Agenten von der Simulation auf die reale Welt auswirken. Weitere Informationen zur Konferenz sind hier zu finden.
- Das Paper Simulation-as-a-Service for Reinforcement Learning Applications by Example of Heavy Plate Rolling Processes von Christian Scheiderer et al. wurde auf der International Conference on Flexible Automation and Intelligent Manufacturing (FAIM20) angenommen. In dem Paper wird an einem realen Produktionsprozess gezeigt, wie selbstlernende Systeme mit existierenden Simulationen zur Prozessauslegung verknüpft werden können. Weitere Informationen zur Konferenz sind hier zu finden.
- Das Paper Under the Hood of Neural Networks: Characterizing Learned Representations by Functional Neuron Populations and Network Ablations von Richard Meyes et al. wurde auf arxiv veröffentlicht. In dem Paper werden mit Hilfe von Ablationsverfahren die Transparenz von künstlichen neuronalen Netzwerken sowie die Rolle einzelner Neuronen und Gruppen von Neuronen innerhalb dieser Netze, die eine gelernte Aufgabe erfüllen, beleuchtet. Das Paper ist hier zu finden.
- Das Paper How Do You Act? An Empirical Study to Understand Behavior of Deep Reinforcement Learning Agents von Richard Meyes et al. wurde ebenso auf arxiv veröffentlicht. In dieser Arbeit werden erlernte Repräsentationen eines Reinforcement Learning Agenten charakterisiet und durch Netzwerkablationen die Repräsentationen von gesunden und des absichtlich geschädigten neuronalen Netzen verglichen. Das Paper ist hier zu finden.
