Projekt

Fast&Slow

Kombination Symbolischer und Subsymbolischer Methoden

Kombination Symbolischer und Subsymbolischer Methoden

  • Laufzeit:

Deep-Learning-Verfahren werden in vielen Anwendungsgebieten eingesetzt und arbeiten nach einer Trainingsphase sehr effizient. Allerdings kann über ihre Korrektheit im allgemeinen keine verlässliche Aussage getroffen werden. Im Gegensatz dazu kann die Korrektheit von analytischen, planbasierten oder deduktiven Algorithmen mit bewährten Methoden verifiziert werden, sie sind allerdings oft in der Anwendung zu langsam.

Das Projekt Fast&Slow untersucht eine systematische Kombination beider Verfahren, bei der das symbolische Verfahren das subsymbolische Verfahren trainiert und im Betrieb überwacht. Die entwickelte Methodik wird an zwei umfangreichen Fallstudien in den Bereichen der Aktionsplanung im Smart Home und der Trajektorienplanung für einen Zweiarmroboter validiert.

Der Ansatz, die Überprüfbarkeit symbolischer Ansätze mit der Effizienz subsymbolischer Verfahren zu kombinieren, ist vielseitig anwendbar, da mangelnde Nachvollziehbarkeit ein akutes Hindernis für den Einsatz von Deep-Learning-Techniken in sicherheitsrelevanten Bereichen wie dem autonomen Fahren sind.

Projekt teilen auf:

Keyfacts

Publikationen zum Projekt

Udo Frese, Arne Hasselbring, Thomas Röfer, Johannes Hackbarth

In: Giuseppina Gini, Henk Nijmeijer, Wolfram Burgard, Dimitar Filev (Hrsg.). Proceedings of the 19th International Conference on Informatics in Control, Automation and Robotics. International Conference on Informatics in Control, Automation and Robotics (ICINCO-2022) July 14-16 Lisbon Portugal Seiten 201-208 SCITEPRESS 2022.

Zur Publikation

Deutsches Forschungszentrum für Künstliche Intelligenz
German Research Center for Artificial Intelligence