{"id":38725,"date":"2025-02-25T11:53:45","date_gmt":"2025-02-25T10:53:45","guid":{"rendered":"https:\/\/www.l3s.de\/?page_id=38725"},"modified":"2025-09-18T14:07:59","modified_gmt":"2025-09-18T12:07:59","slug":"opt4dac","status":"publish","type":"page","link":"https:\/\/www.l3s.de\/de\/research-at-l3s\/all-projects\/opt4dac\/","title":{"rendered":"Opt4DAC"},"content":{"rendered":"
\n \n
\n \n \n
\n \n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n
\n \n \n \"\"\n
<\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Start:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n \n
\n

01.09.2024<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Ende:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n \n
\n

30.09.2027<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n
\n \n
\n
\n \n \n
\n \n
\n \n \n
\n

Webseite:<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n
\n \n \n
\n \n
\n \n
https:\/\/www.ai.uni-hannover.de<\/span><\/a>\n <\/span>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n
\n
\n \n \n
\n \n
\n \n <\/div>\n
\n \n
\n \n
\n
\n \n \n
\n \n
\n \n
\n \n \n

Opt4DAC<\/h2>\n <\/div>\n <\/div>\n
\n \n \n
\n

Bridging Black-Box Optimization and Machine Learning for Dynamic Algorithm Configuration <\/p>\n <\/div>\n <\/div>\n

\n \n <\/div>\n
\n \n \n
\n

Die Wahl des optimalen L\u00f6sers f\u00fcr ein gegebenes Optimierungsproblem h\u00e4ngt stark von der Problemcharakteristik sowie den gegebenen Rechnerressourcen ab. Automatisiertes Maschinelles Lernen (AutoML) hilft in der Auswahl und Konfiguration des L\u00f6sers. Bislang waren die AutoML Ans\u00e4tze jedoch auf statische Selektion und Konfiguration eines Algorithmus beschr\u00e4nkt, was den Fakt au\u00dfer Acht l\u00e4sst, dass die beste Wahl sich drastisch im Verlauf des Optimierungsprozesses \u00e4ndern kann. Zum Beispiel k\u00f6nnte am Anfang ein eher exploratives und am Ende ein eher exploitatives Verhalten optimal sein. Dynamische Algorithmus Konfiguration (DAC) selektiert explizit basierend auf dem aktuellen Zustand. Das Opt4DAC Projekt bringt Experten in Optimierung und in AutoML zusammen, die danach streben, Ans\u00e4tze zum dynamischen Wechsel zwischen L\u00f6sern und Konfigurationen zu entwickeln. Genauer, Ziele sind (i) warm-starting von L\u00f6sern mit vorherigen Optimierungsl\u00e4ufen, (ii) Design von Merkmalen, die den Optimierungsprozesszustand beschreiben, und (iii) Mechanismen zur Detektion eines Konfigurationswechsels. Theoretische Erkenntnisse werden durch empirische Evaluationen erg\u00e4nzt, von der Konfiguration von evolution\u00e4ren Algorithmen hin zu klassischer Black-Box Optimierung via Bayesian Optimization f\u00fcr Hyperparameteroptimierung von tiefen neuronalen Netzen. <\/p>\n <\/div>\n <\/div>\n

\n \n <\/div>\n
\n \n
\n \n \n F\u00f6rderprogramm<\/span>\n
<\/path><\/svg><\/span><\/div>\n
<\/path><\/svg><\/span><\/div>\n <\/a>\n
\n
\n \n
\n \n \n
\n

ANR PRCI (DFG)<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n

\n \n \n Projektpartner<\/span>\n
<\/path><\/svg><\/span><\/div>\n
<\/path><\/svg><\/span><\/div>\n <\/a>\n
\n
\n \n
\n \n \n
\n