• Navigation überspringen
  • Zur Navigation
  • Zum Seitenende
Organisationsmenü öffnen Organisationsmenü schließen
Friedrich-Alexander-Universität Lehrstuhl für Informatik 6 CS6
  • FAUZur zentralen FAU Website
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik
Suche öffnen
  • English
  • Impressum
  • Datenschutz
  • Barrierefreiheit
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik
Friedrich-Alexander-Universität Lehrstuhl für Informatik 6 CS6
Menu Menu schließen
  • Lehrstuhl
    • Aktuelles
    • Über uns
    • Personen
    • Kontakt
    Hauptseite Lehrstuhl
  • Forschung
    • Evolutionäre Informationssysteme
      • Open and Collaborative Query-Driven Analytics
      • Data Driven Relationship Discovery in Large Time Series Datasets
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Sprechaktbasiertes Fallmanagement
      • Schemainferenz und maschinelles Lernen
    • Datenqualität
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
      • Datenqualität und Innovationsfähigkeit von Medizinprodukten
    • Datenintegration
      • Open and Collaborative Query-Driven Analytics
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Schemainferenz und maschinelles Lernen
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
    • Prozessmanagement
      • Sprechaktbasiertes Fallmanagement
    • Datenbanksysteme
      • Know Your Queries!
      • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
      • SKYSHARK – Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
      • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration
      • Schemainferenz und maschinelles Lernen
      • Bewertung von Datenspeichersystemen
      • Erzeugung von Symboltabellen für die Komprimierung von Zeichenketten mit Hilfe von Frequent-Substring Trees
      • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
      • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
    • Datenstromsysteme
      • Data Stream Application Manager
      • SKYSHARK – Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
      • Systemübergreifende Optimierung von Datenstromanfragen
    • Datenmanagement in den Digital Humanities
      • Campusnetzwerk Digitale Geistes- und Sozialwissenschaften
      • Franken in historischen Reiseberichten
    • Moderne Datenbanksysteme
      • Pufferverwaltung und Datenzugriff
    Hauptseite Forschung
  • Lehre
    • Lehrveranstaltungen
    • Curriculum
    • Examensarbeiten
    • Prüfungsinformationen
    Hauptseite Lehre

Lehrstuhl für Informatik 6

Datenmanagement

Bereichsnavigation: Forschung
  • Abgeschlossene Forschungsprojekte
  • Veröffentlichungen
  • Evolutionäre Informationssysteme
  • Datenqualität
  • Datenintegration
  • Prozessmanagement
  • Datenbanksysteme
    • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration (Arbeitstitel, noch vorläufig)
    • Data Stream Application Manager
    • Know Your Queries!
    • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
    • SKYSHARK - Benchmarking von Datenanalysesystemen mit Echtzeit-Flugdaten
    • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration
    • Schemainferenz und maschinelles Lernen
    • Bewertung von Datenspeichersystemen
    • Erzeugung von Symboltabellen für die Komprimierung von Zeichenketten mit Hilfe von Frequent-Substring Trees
    • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
    • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
  • Datenstromsysteme
  • Datenmanagement in den Digital Humanities
  • Pufferverwaltung und Datenzugriff
  • Moderne Datenbanksysteme

REAPER: A Framework for Materializing and Reusing Deep-Learning Models

REAPER: A Framework for Materializing and Reusing Deep-Learning Models

Im Rahmen des EFRE-E|ASY-Opt Teilprojektes wird das Potential von Data Mining Methoden im Bereich der Fertigung des produzierenden Gewerbes untersucht. Speziell das Trainieren von Deep-Learning Modellen stellt eine rechenintensive Aufgabe dar, welche mitunter Stunden bis mehrere Tage in Anspruch nehmen kann. Die Trainingszeit kann durch die Verwendung eines bereits trainierten Modells erheblich verkürzt werden, sofern die Ziel und Quellaufgabe in engen Zusammenhang zueinander stehen. Dieser Zusammenhang wird aktuell noch nicht vollumfänglich verstanden.

Das Ziel dieses Forschungsprojektes ist die Umsetzung eines Systems namens REAPER (Reusable Neural Network Pattern Repository), um Data Scientists bei der Speicherung und Wiederverwendung von bereits trainierten Deep-Learning Modellen zu unterstützen.

Masterprojekte und Abschlussarbeiten

Offene Arbeiten sind in UnivIS ausgeschrieben.

Bei Interesse Anmeldung via E-Mail an Melanie B. Sigl.

Personen

Projektleitung

Melanie Sigl

Melanie Bianca Sigl, M. Sc.

  • E-Mail: melanie.sigl@fau.de
  • Webseite: https://www6.cs.fau.de/lehrstuhl/personen/melanie-sigl/
  • LinkedIn: Seite von Melanie Bianca Sigl
  • Xing: Seite von Melanie Bianca Sigl
Mehr › Details zu Melanie Bianca Sigl

Klaus Meyer-Wegener

Prof. i. R. Dr. Klaus Meyer-Wegener

Martensstraße 3
91058 Erlangen
  • Telefon: +49 9131 85-27892
  • E-Mail: klaus.meyer-wegener@fau.de
  • Webseite: https://www.cs6.tf.fau.de/person/klaus-meyer-wegener/
Mehr › Details zu Klaus Meyer-Wegener

Weitere Beteiligte

Thomas Heinl (MA-Projekt, MA), Robert Kienel (BA), Dominik Probst (MA)

(Drittmittelfinanzierte Gruppenförderung – Teilprojekt)

Titel des Gesamtprojekts: EFRE EIASY-Opt - Kompetenz- und Analyseprojekt für die "datengetriebene Prozess- und Produktionsoptimierung mittels Data Mining und Big Data"
Projektleitung: Klaus Meyer-Wegener
Projektbeteiligte: Melanie Sigl
Projektstart: 1. Januar 2017
Projektende: 31. Dezember 2020
Akronym: E|ASY-Opt INF6
Mittelgeber: Sonstige EU-Programme (z. B. RFCS, DG Health, IMI, Artemis), Bayerische Staatsministerien
URL: https://www.faps.fau.de/curforsch/efre-easy-opt/

  • Beteiligung an der ICDE 201925. April 2019
    Die 35. IEEE International Conference on Data Engineering (ICDE) fand dieses Jahr vom 8. bis zum 11. April in Macau SAR, China statt. Wir freuen uns…
  • Organisation des EFRE-E|ASY-Opt-Projekt-Meetings1. März 2019
    Im Rahmen des EFRE-E|ASY-Opt-Kompetenzprojekts organisierte der Lehrstuhl für Informatik 6 das erste Projekt-Meeting im Jahr 2019. Wir konnten uns freuen, 14 Projektmitglieder willkommen zu heißen,…
  • REAPER: Masterprojekte und Abschlussarbeiten14. Dezember 2018
    Im Rahmen des Forschungsprojektes REAPER bieten wir Masterprojekte und Abschlussarbeiten für das kommende Sommersemester 2019 u.a. in folgenden Themenbereichen an: Datenmanagement für Deep Learning Speicherung…

Mehr Neuigkeiten lesen…

2019

  • Sigl M.:
    Don't Fear the REAPER: A Framework for Materializing and Reusing Deep-Learning Models
    International Conference on Data Engineering (Macau SAR, China, 8. April 2019 - 11. April 2019)
    DOI: 10.1109/ICDE.2019.00246
    BibTeX: Download

 

Lehrstuhl für Informatik 6 (Datenmanagement)
Friedrich-Alexander-Universität Erlangen-Nürnberg

Martensstraße 3
91058 Erlangen
  • Kontakt
  • Impressum
  • Datenschutz
  • Barrierefreiheit
  • Facebook
  • RSS Feed
  • Xing
Nach oben