eMuLE

Effizientes und modell-effizientes Deep Learning für multimodale Daten

Gruppenleitung

Forschungsziel

Wir stärken KI im multimodalen Lernen durch daten- und modell-effiziente Deep-Learning-Ansätze.

Forschungsschwerpunkte

Große neuronale Netzwerke wie Transformer erzielen herausragende Ergebnisse bei verschiedenen Datenformen, erfordern jedoch oft umfangreiche Trainingsdatensätze sowie hohe Speicher- und Rechenressourcen. Die Forschungsgruppe EMuLe untersucht, wie sich die Trainingseffizienz optimieren lässt, um das benötigte Datenvolumen zu minimieren, und wie sich die Modelleffizienz steigern lässt, um die Modellgröße ohne Qualitätsverlust deutlich zu reduzieren. Ziel ist es, skalierbare KI für reale multimodale Anwendungen zu ermöglichen. Wir entwickeln daten- und modeleffiziente Frameworks für multimodales Lernen, wobei ein Schwerpunkt auf Zeitreihen und zeitlichen Daten liegt. Das Team besteht aus drei Doktorand*innen, die an den folgenden Arbeitspaketen arbeiten:

• AP1: Daten­effiziente multimodale Trainingsstrategien
• AP2: Modeleffizientes multimodales Lernen
• AP3: Multimodale graphbasierte Modellierung