Institutsseminar/2020-09-04: Unterschied zwischen den Versionen
Keine Bearbeitungszusammenfassung |
Keine Bearbeitungszusammenfassung |
||
| Zeile 1: | Zeile 1: | ||
{{Termin | {{Termin | ||
|datum=2020/09/04 14:00:00 | |datum=2020/09/04 14:00:00 | ||
|raum=https://sdqweb.ipd.kit.edu/wiki/Institutsseminar/ | |raum=https://sdqweb.ipd.kit.edu/wiki/Institutsseminar/Microsoft_Teams | ||
}} | }} | ||
Version vom 13. August 2020, 14:07 Uhr
| Datum | Freitag, 4. September 2020 | |
|---|---|---|
| Uhrzeit | 14:00 – 15:00 Uhr (Dauer: 60 min) | |
| Ort | https://sdqweb.ipd.kit.edu/wiki/Institutsseminar/Microsoft_Teams | |
| Webkonferenz | ||
| Vorheriger Termin | Fr 14. August 2020 | |
| Nächster Termin | Fr 11. September 2020 |
Termin in Kalender importieren: iCal (Download)
Vorträge
| Vortragende(r) | Annika Kies |
|---|---|
| Titel | Entwicklung und Analyse von Auto-Encodern für intelligente Agenten zum Erlernen von Atari-Spielen |
| Vortragstyp | Bachelorarbeit |
| Betreuer(in) | Daniel Zimmermann |
| Vortragssprache | |
| Vortragsmodus | |
| Kurzfassung | Ein neuartiger Ansatz zum Erlernen von Computerspielen ist die Verwendung von neuronalen Netzen mit Gedächtnis (speziell CTRNNs). Die großen Datenmengen in Form roher Pixel-Daten erschweren jedoch das Training. Auto-Encoder können die diese Pixel-Daten der Spielframes soweit komprimieren, dass sie für solche Netze verfügbar werden.
Das Ziel dieser Arbeit ist es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass eine möglichst verlustfreie Rekonstruktion möglich ist. Atari-Spiele können so für CTRNNs zugänglich gemacht werden. Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert und verschiedene Auto Encoder Architekturen evaluiert. Im Rahmen dieser Arbeit konnte gezeigt werden, dass eine ausreichende Kompression mit akzeptierbaren Qualitätsverlust möglich ist. |
| Vortragende(r) | Ilia Chupakhin |
|---|---|
| Titel | Extrahieren von Code-Änderungen aus einem Commit für kontinuierliche Integration von Leistungsmodellen |
| Vortragstyp | Bachelorarbeit |
| Betreuer(in) | Manar Mazkatli |
| Vortragssprache | |
| Vortragsmodus | |
| Kurzfassung | Ein Leistungsmodell ermöglicht den Software-Entwicklern eine frühzeitige Analyse von programmierten Komponenten in Bezug auf Leistungseigenschaften. Um Inkonsistenzen zu vermeiden, soll das Leistungsmodell angepasst werden, sobald Entwickler den Quellcode ändern. Eine Aktualisierung von Leistungsmodellen ist kein triviales Problem. Der Ansatz "kontinuierliche Integration von Leistungsmodellen" (Abkürzung: KILM) führt eine automatische inkrementelle Aktualisierung von Leistungsmodellen durch und bietet somit eine Lösung des Problems an. Ein wichtiger Vorteil von diesem Ansatz ist, dass das Leistungsmodell weder manuell angepasst (aufwändig und fehleranfällig), noch nach jeder Änderung neu aufgebaut (ineffizient und aufwändig) werden muss.
In dieser Bachelorarbeit wurde der erste Schritt für die vorgestellte Lösung implementiert: der KILM-Ansatz wird mit Git-Repository verknüpft, Änderungen werden aus Commits extrahiert und auf Code- und Leistungsmodelle angewandt. Die Implementierung wurde in einer Fallstudie evaluiert. Auf einem Projekt wurden unterschiedliche Arten von Änderungen simuliert und die Korrektheit von den aktualisierten Code- und Leistungsmodellen überprüft. Die Ergebnisse bestätigen korrekte Aktualisierung von Code- und Leistungsmodellen in den 96,6 % der durchgeführten Tests. |
- Neuen Vortrag erstellen