05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Permanent URI for this collectionhttps://elib.uni-stuttgart.de/handle/11682/6

Browse

Filters

2021 - 20232

Settings

Publication Type: search.filters.UBSTyp.Abschlussarbeit (Bachelor)Author: search.filters.author.Mayer, Paul

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    Distributed Deep Reinforcement Learning for Learn-to-optimize
    (2023) Mayer, Paul
    In the context of increasingly complex applications, e.g., robust performance tuning in Integrated Circuit Design, conventional optimization methods have difficulties in achieving satisfactory results while keeping to a limited time budget. Therefore, learning optimization algorithms becomes more and more interesting, replacing the established way of hand-crafting or tweaking algorithms. Learned algorithms reduce the amount of assumptions and expert knowledge necessary to create state-of-the-art solvers by decreasing the need of hand-crafting heuristics and hyper-parameter tuning. First advancements using Reinforcement Learning have shown great success in outperforming typical zeroth- and first-order optimization algorithms, especially with respect to generalization capabilities. However, training still is very time consuming. Especially challenging is training models on functions with free parameters. Changing these parameters (that could represent, e.g., conditions in a real world example) affects the underlying objective function. Robust solutions therefore depend on thorough sampling, which tends to be the bottleneck considering time consumption. In this thesis we identified the runtime bottleneck of the Reinforcement Learning Algorithm and were able to decrease runtime drastically by distributing data collection. Additionally, we studied the effects of combining sampling strategies in regards to generalization capabilities of the learned algorithm.
  • Thumbnail Image
    ItemOpen Access
    Zero Knowledge Beweise für E-Voting
    (2021) Mayer, Paul
    Die Überprüfung von Wahlergebnissen ist eine der wichtigsten Bestandteile in E-Voting Systemen. Es dürfen nur gültige Stimmzettel mitgezählt werden. Die Stimmzettel sollen zur Überprüfung jedoch nicht geöffnet werden. Doch die Korrektheit soll trotzdem garantiert sein. Um gültige Stimmen zu kontrollieren, benutzt man Zero-Knowledge Beweise. Diese Beweise zeigen, dass ein Statement wahr ist. Dabei wird aber keine zusätzliche Information, wie der Inhalt eines Stimmzettels, verraten. Das Ziel dieser Arbeit ist es passende Beweise für das E-Voting System Ordinos zu erstellen. Ordinos legt den Fokus auch auf die Nachvollziehbarkeit der Ergebnisse. Auch von Außenstehenden soll die Wahl überprüfbar sein. Verschiedene Wahlarten besitzen unterschiedliche gültige Stimmzettel. Deswegen wurden Beweise für mehrere Kategorien mit unterschiedlichen Wahlarten zusammengestellt. Der Fokus liegt hierbei auch bei der Erklärung der Beweisideen. Auch komplexere Wahlen mit mehreren Stimmen oder Ranglisten wurden verwirklicht. Diese Beweise sind vor allem für den/die WählerIn, also das Wahlgerät, effizient.