Mathematical Optimization Group
Jun.-Prof. Dr. Peter Ochs wurde zum September 2020 auf die W1-Professur für "Mathematische Methoden der Informatik" an den Fachbereich Mathematik der Universität Tübingen berufen. Dort leitet er die "Mathematical Optimization Group". Er ist kooptiert mit dem Fachbereich Informatik und assoziiertes Fakultätsmitglied der IMPRS-IS. Peter Ochs wird von uns mit Clustermitteln für ein Forschungsprojekt unterstützt.
Der Forschungsschwerpunkt von Peter Ochs ist die Mathematische Optimierung für Problemstellungen im Bereich von Computer Vision und Maschinellem Lernen. Die besondere Schwierigkeit besteht darin, effiziente Algorithmen mit theoretischen Garantien für State-of-the-Art Anwendungsmodelle zu entwickeln. Dies ist besonders wichtig in den Bereichen Maschinelles Lernen und Computer Vision, wo die große Dimensionalität der Probleme die Verwendung von Black-Box-Algorithmen verbietet. Seine Mathematical Optimization Group arbeitet an Problemen, die von der abstrakten Theorie bis zu praktischen Anwendungen reichen. Sie untersuchen abstrakte Klassen von nicht-konvexen Optimierungsproblemen mit Schwerpunkt auf nichtglatten Problemen, die in diesen Anwendungen natürlicherweise auftreten. Nichtglatte Probleme stellt faszinierende Herausforderungen für die theoretische Analyse und die praktische Integration dar.
| Learning Optimal Algorithms for Parametric Optimization Problem |
Cluster finanziertes Forschungsprojekt
- Projektmitarbeiter: Michael Sucker (Doktorand, seit April 2022)
Parameter estimation problems are particularly challenging in Machine Learning and Computer Vision, due to the high dimensionality of the data and parameter space as well as the natural need to model applications as non-smooth optimization problems. Therefore, the feedback for adjusting parameters is only obtained after a demanding computational process. Moreover, the complexity of this parameter adjustment requires iterative solvers. As a result, similar optimization problems must be solved many times, sometimes thousands or millions of times. The goal of this project is the reduction of this computational cost by exploiting the similarity of the problems through a family of parameterized optimization problems. We develop optimal algorithms with theoretical guarantees for specifically defined classes of such parameterized optimization problems in a Bayesian learning framework, including non-smooth optimization problems.
Kontakt
Prof. Peter Ochs
Mathematical Optimization Group
Universität Tübingen
Fachbereich Mathematik
Auf der Morgenstelle 10 (Gebäude C)
72076 Tübingen
+49 7071 29-76698
ochs@math.uni-tuebingen.de
Weitere Informationen auf der Webseite der Mathematical Optimization Group