Die Konferenzreihe

Diese Tagung, welche die erfolgreiche LION Konferenzreihe weiterführt (LION 14 in Athen, LION 16 auf Milos , LION 17 in Nizza, LION 18 auf Ischia, LION 19 in Prag und LION 20 in Mailand), erforscht Bindeglieder und Neuland in den Bereichen Machine Learning, Künstliche Intelligenz, Mathematische Programmierung und Algorithmen für schwer zu lösende Optimierungsprobleme.

Das Hauptziel der Veranstaltung ist es, ein Forum für Expert*innen aus diesen Bereichen zu bieten, um neue Ideen, Methoden, Herausforderungen und Gelegenheiten in den verschiedensten Anwendungsgebieten, generelle Trends und spezifische Entwicklungen zu diskutieren.

Die große Auswahl an heuristischen Algorithmen für schwer zu lösende Optimierungsprobleme wirft eine Reihe von interessanten und herausfordernden Fragen auf. In der Praxis sind Expert*innen mit der Bürde konfrontiert, die geeignetste Methode auszuwählen, die oft kostenintensive Algorithmusanpassungen und Parameterjustierungsprozesse sowie eine steile Lernkurve umfasst. Forscher*innen geben theoretische Einblicke und propagieren eine saubere experimentelle Methodologie zur Evaluierung von Algorithmen hinsichtlich deren Stärken und Schwächen. Eine wichtige Voraussetzung für diese Aufgabe ist, eine klare Unterscheidung zwischen dem Algorithmus und dem Experimentator zu machen, der - in zu vielen Fällen - zum entscheidenden Bestandteil einer grundlegenden Komponente des Intelligent Learning wird. Beide Problematiken sind eng mit dem Design und der Konstruktion von Lernwegen und der Leistung verschiedener Techniken, sowie auch der Nutzung vorhergehender Erfahrungen mit algorithmischem Verhalten verbunden, um Leistungen zukünftig zu verbessern. Intelligent Learning Schemata für Knowledge Mining von verschiedenen Durchläufen oder einem einzelnen Durchlauf können die Algorithmusentwicklung und den Designprozess verbessern und die Anwendungen von High-Performance Optimierungsmethoden vereinfachen. Kombinationen aus verschiedenen Algorithmen können die Strapazierfähigkeit und Performanz ihrer einzelnen Komponenten weiter verbessern, wenn ausreichendes Wissen zu den Charakteristiken von Probleminstanzen und der Leistungsfähigkeit des Algorithmus vorliegt.