Meine Forschungsschwerpunkte liegen im Bereich des Reinforcement Learnings. Hier beschäftige ich mich im Besonderen mit dem Thema Deep Reinforcemen Learning und betreibe dort Grundlagenforschung.

Der Deep Q-Network Algorithmus (DQN) als ein prominenter Vertreter der Deep Reinforcement Learning Algorithmen benutzt (nicht als einziger) ein sogenanntes Experience Replay (ER). Dieses kann man sich am besten als ein gedeckeltes Gedächtnis (FiFo Buffer) von gemachten Erfahrungen vorstellen. Meine Forschung konzentriert sich speziell auf das ER und die möglichen Kombinationen dieses mit Interpolationstechniken. Da das standard ER nur aus tatsächlich gemachten Erfahrungen besteht wird es anfangs sehr langsam gefüllt, und das auch nur mit Erfahrungen welche an bestimten Punkten gemacht wurden. Ich untersuche die Möglichkeiten künstliche Erfahrungen mittels Interpolation zu erzeugen und diese zusätzlich zum Training zu benutzen.

• Averaging rewards as a first approach towards Interpolated Experience Replay. Wenzel Pilar von Pilchau. In: Draude, C., Lange, M. & Sick, B. (Hrsg.), INFORMATIK 2019: 50 Jahre Gesellschaft für Informatik – Informatik für Gesellschaft (Workshop-Beiträge). Bonn: Gesellschaft für Informatik e.V.. (S. 493-506). DOI: https://dl.gi.de/handle/20.500.12116/25089

• Combining Machine Learning with Blockchain: Benefits, Approaches and Challenges. Wenzel Pilar von Pilchau and Jörg Hähner. In Organic Computing - Doctoral Dissertation Colloquium (OC-DDC), 21. - 22.06.2018, Würzburg, Germany