Masterand Informatik

Mögliche Fragestellungen:

• Inwiefern ist der bisher gewählte Ansatz mittels DDPG der korrekte?
• Lässt sich Catastrophic Forgetting bei diesem Modell zeigen?
• Was könnten mögliche Gegenansätze sein?
• Welches ist der beste Ansatz hierbei?

Bereits vorhanden:

• Vollständige Trainingsumgebung direkt an der Hardware
• Funktionierendes DDPG basiertes Modell

Todos:

• Implementierung von alternativen Trainingsmustern
• Evaluation der neuen Trainingsalternativen
• Aufzeigen von weiterem Verbesserungspotential

• Studium der Informatik, Mathematik oder verwandter Bereiche (Master)
• Kenntnisse in Reinforcement Learning und neuronalen Netzen
• Erfahrung mit Deep Deterministic Policy Gradient (DDPG) Algorithmus
• Programmierkenntnisse in Python, TensorFlow oder PyTorch
• Fähigkeit zur Durchführung theoretischer Analysen und praktischer Experimente

• Kenntnisse im Umgang mit Hardware-basierten Trainingsumgebungen

• Echter Teamspirit und Leidenschaft für das, was wir tun
• Bei uns kannst du eigene Ideen einbringen und aktiv mitgestalten
• Networking und einfach Spaß haben bei Teamevents, Weihnachtsfeiern oder Sommerfesten
• Kostenlose Getränke (Tee, Kaffee, Wasser)

Beschreibung: Catastrophic Forgetting ist ein bekanntes Problem in neuronalen Netzen, bei dem das Modell dazu neigt, frühere Informationen zu vergessen, wenn es auf neue Daten trainiert wird. Dies stellt eine besondere Herausforderung für Reinforcement Learning (RL) dar, da kontinuierliches Lernen in dynamischen Umgebungen erforderlich ist. Diese Arbeit soll untersuchen, wie sich Catastrophic Forgetting auf den DDPG-Algorithmus auswirkt und welche Gegenmaßnahmen ergriffen werden können, um die Stabilität und Leistung des Modells zu verbessern.