Die Struktur Algorithmischen Lernens

• Antragsteller: Dr. Timo Kötzing
• Fachliche Zuordnung: Theoretische Informatik
• Förderung: Förderung von 2015 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 272276090

• Erstellungsjahr: 2021

Zusammenfassung der Projektergebnisse

Mit diesem Projekt haben wir Lernkriterien verglichen und strukturelle Erkenntnisse bereitgestellt für viele verschiedene Teilgebiete des Limeslernen, welche eine Fülle von Szenarien abdecken: erklärendes und verhaltensrichtiges Lernen, von Informanten oder Text, mit Speicherbeschränkungen oder ohne und in Bezug auf indizierbare Klassen oder allgemeine Familien von aufzählbaren Sprachen. Die Karten verknüpfen viele unterschiedliche Ergebnisse aus der Literatur und die strukturellen Erkenntnisse zeigen die zugrunde liegenden Gründe für verschiedene Eigenschaften von Lernkriterien auf. Die im Rahmen dieses Projekts durchgeführten Forschungsarbeiten tragen somit zur Verbesserung unseres Verständnisses des rechnergestützten Lernens bei. Am wichtigsten ist, dass wir jetzt vollständige Karten für die verzögerbaren Kriterien für alle wichtigen Interaktionsoperatoren haben und wichtige erste Schritte auch für verhaltensrichtiges Lernen und für das Lernen von Informanten unternommen haben. Im Verlauf des Projekts haben wir erkannt, wie wichtig der Bereich Mapcharting ist und uns stark auf die Ergebnisse in diesem Bereich konzentriert. Dies führte zu einer deutlich verbesserten Kommunizierbarkeit der Ergebnisse und einer ehrlicheren Abdeckung der Ergebnisse, statt schwierigere Resultate auszulassen.

Projektbezogene Publikationen (Auswahl)

• Towards an atlas of computational learning theory. In Nicolas Ollinger and Heribert Vollmer, editors, 33rd Symposium on Theoretical Aspects of Computer Science, STACS 2016, February 17-20, 2016, Orleans, France, volume 47 of LIPIcs, pages 47:1–47:13. Schloss Dagstuhl - Leibniz-Zentrum für Informatik, 2016
  Timo Kötzing and Martin Schirneck
  
• Normal forms in semantic language identification. In Steve Hanneke and Lev Reyzin, editors, International Conference on Algorithmic Learning Theory, ALT 2017, 15-17 October 2017, Kyoto University, Kyoto, Japan, volume 76 of Proceedings of Machine Learning Research, pages 493–516. PMLR, 2017
  Timo Kötzing, Martin Schirneck, and Karen Seidel
  
• Limit learning equivalence structures. In Aurelien Garivier and Satyen Kale, editors, Algorithmic Learning Theory, ALT 2019, 22-24 March 2019, Chicago, Illinois, USA, volume 98 of Proceedings of Machine Learning Research, pages 383–403. PMLR, 2019
  Ekaterina B. Fokina, Timo Kötzing, and Luca San Mauro
  
• Cautious limit learning. In Aryeh Kontorovich and Gergely Neu, editors, Algorithmic Learning Theory, ALT 2020, 8-11 February 2020, San Diego, CA, USA, volume 117 of Proceedings of Machine Learning Research, pages 251–276. PMLR, 2020
  Vanja Doskoc and Timo Kötzing
  
• Mapping monotonic restrictions in inductive inference, 2020
  Vanja Doskoc and Timo Kötzing
  
• Maps for learning indexable classes, 2020
  Julian Berger, Maximilian Böther, Vanja Doskoc, Jonathan Gadea Harder, Nicolas Klodt, Timo Kötzing, Winfried Lötzsch, Jannik Peters, Leon Schiller, Lars Seifert, Armin Wells, and Simon Wietheger