Visual exploration for deep learning models and trainings for microstructure data

Abstract

Künstliche neuronale Netze sind in der Forschung des Maschinellen Lernens nicht mehr wegzudenken und werden in vielen interdisziplinären Bereichen eingesetzt. Daher ist es wichtig beim Entwurf und der Entwicklung von künstlichen neuronalen Netzen ihre inneren Abläufe zu verstehen. Ein besonders nützlicher Forschungsbereich nennt sich Visual Analytics. Dort werden interaktive visuelle Repräsentationen mit Algorithmen zur Datenanalyse kombiniert, um Erkenntnisse zu gewinnen. Der Zweck dieser Abschlussarbeit ist die Entwicklung eines Visual-Analytics-Systems, welches das Trainingsverhalten von Machine-Learning-Modellen analysiert, die die Eigenschaften von Materialien anhand ihrer Mikrostruktur vorhersagen. Das Ziel ist es den Nutzern zu ermöglichen, zu untersuchen wie verschiedene Trainingskonfigurationen den Trainingsprozess und die Performanz der Modelle beeinflussen. Außerdem, werden eine neuartige Regularization-Methode und eine neuartige Verbesserung des Optimierungsprozesses, Greedy-Stochastic-Perturbation, vorgestellt.