Seminar: Blockseminar: Neural ODE and Generative Modelling (Master Seminar) - Details

Allgemeine Informationen

Veranstaltungsname	Seminar: Blockseminar: Neural ODE and Generative Modelling (Master Seminar)
Veranstaltungsnummer	MTH-1360; MTH-1410
Semester	WS 2024/25
Aktuelle Anzahl der Teilnehmenden	4
erwartete Teilnehmendenanzahl	15
Heimat-Einrichtung	Mathematische Bildverarbeitung
Veranstaltungstyp	Seminar in der Kategorie Lehre
Art/Form	Blockseminar
Veranstaltung findet in Präsenz statt / hat Präsenz-Bestandteile	Ja
Hauptunterrichtssprache	englisch
Weitere Unterrichtssprache(n)	Deutsch

Lehrende

• Prof.Dr. Stefania Petra

Räume und Zeiten

Keine Raumangabe

Studienbereiche

• Mathematisch-Naturwissenschaftlich-Technische Fakultät > Institut für Mathematik
• Mathematisch-Naturwissenschaftlich-Technische Fakultät
• Mathematisch-Naturwissenschaftlich-Technische Fakultät > Institut für Mathematik > Master Mathematik

Modulzuordnungen

• Austauschstudium - MNTF Austauschstudium MNTF, 5. Version gültig ab WS 2024/25 > Mathematisch-Naturwissenschaftlich-Technische Fakultät - Master Level > MTH-1360 - Seminar zur Analysis > Seminar zur Analysis
• Mathematical Analysis and Modelling Int. Master Mathematical Analysis and Modelling, 9. Version gültig ab WS 2024/25 > Modulgruppe C: Mathematische Seminare > MTH-1360 - Seminar zur Analysis > Seminar zur Analysis
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 19. Version gültig ab WS 2024/25 > Modulgruppe E: Wahlbereich [MastWiMa] > MTH-1360 - Seminar zur Analysis > Seminar zur Analysis
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 19. Version gültig ab WS 2024/25 > Modulgruppe B: Mathematisches Seminar (Wahlpflichtmodule) [MastWiMa] > MTH-1360 - Seminar zur Analysis > Seminar zur Analysis
• Mathematik Masterstudiengang Mathematik PO 2013, 19. Version gültig ab WS 2024/25 > Master Mathematik B:Mathematische Seminare > MTH-1360 - Seminar zur Analysis > Seminar zur Analysis
• Mathematical Analysis and Modelling Int. Master Mathematical Analysis and Modelling, 9. Version gültig ab WS 2024/25 > Modulgruppe C: Mathematische Seminare > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 19. Version gültig ab WS 2024/25 > Modulgruppe B: Mathematisches Seminar (Wahlpflichtmodule) [MastWiMa] > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik
• Mathematik Masterstudiengang Mathematik PO 2013, 19. Version gültig ab WS 2024/25 > Master Mathematik B:Mathematische Seminare > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik
• Wirtschaftsmathematik Bachelorstudiengang Wirtschaftsmathematik (PO 2013), 17. Version gültig ab WS 2024/25 > Modulgruppe D: Mathematisches Seminar [BacWiMa] > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik
• Wirtschaftsmathematik Bachelorstudiengang Wirtschaftsmathematik (PO 2013), 17. Version gültig ab WS 2024/25 > Modulgruppe G: Wahlpflichtbereich [BacWiMa PO 2013] > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik
• Wirtschaftsmathematik Masterstudiengang Wirtschaftsmathematik, 19. Version gültig ab WS 2024/25 > Modulgruppe E: Wahlbereich [MastWiMa] > MTH-1410 - Seminar zur Stochastik > Seminar zur Stochastik

Kommentar/Beschreibung

Score-based generative models have demonstrated state-of-the-art performance in numerous applications in recent years. The central concept behind these models involves the gradual injection of noise into the training data, followed by learning the reverse process to generate new samples. The training and sampling procedures can be conducted independently. The learning phase is facilitated by noise-conditional score networks, while sampling can be accomplished through various methods, including Langevin Monte Carlo approaches, stochastic differential equations, ordinary differential equations, and various combinations.

This seminar will overview generative models and common architectures, comparing different training objectives and sampling methods. We will examine normalizing flows, score matching, and Langevin dynamics. Additionally, we will discuss the use of stochastic differential equations (SDEs) in score-based models and conclude with comparisons to other diffusion models and potential enhancements in sample generation.