Automatisches Lernen stochastischer Populationsmodelle durch Gradientenabstieg
In dieser Arbeit untersuchen wir verschiedene Ansätze zum simultanen Lernen von Struktur und Parametern stochastischer Populationsmodelle durch Gradientenabstieg. Wir zeigen, dass dies eine große Herausforderung darstellt, insbesondere wenn Sparsamkeit und Interpretierbarkeit der Modelle gefordert sind. Wir geben einen Ausblick darauf, wie diese Herausforderung überwunden werden kann.
