Daten sind unerlässlich, um eine gute Verallgemeinerung von Deep Learning (DL)-Modellen zu erreichen. Viele Einschränkungen im Datenerfassungsprozess führen jedoch häufig dazu, dass keine ausreichende Menge an Trainingsdaten vorhanden ist, um eine zufriedenstellende Leistung zu ermöglichen. Die Generierung synthetischer Daten mit tiefen generativen Modellen, wie Generative Adversarial Networks oder Diffusion Models, hat ein großes Potenzial für dateneffizientes Deep Learning. Im Bosch IoC Lab wollen wir Methoden untersuchen, die es ermöglichen, Datenpunkte zu synthetisieren, die von echten Daten kaum zu unterscheiden sind. Dies kann dazu beitragen, die Notwendigkeit, neue Daten zu sammeln, erheblich zu reduzieren und die Leistung von Deep-Learning-Modellen zu verbessern, die sowohl mit echten als auch mit synthetischen Daten trainiert wurden. Dateneffiziente Methoden für Deep Learning haben ein enormes Kosteneinsparungspotenzial und können auch dazu beitragen, Algorithmen sicherer und robuster zu machen, um mit sicherheitskritischen Situationen umzugehen, z. Weltdaten sind knapp.
