Projekt 8: Erklärbarkeit bei komplexitätsreduzierten maschinellen Lernverfahren (verfügbar)

Bei großen und hochdimensionalen Datenmengen zeigt sich, dass datengetriebene maschinelle Lernverfahren ein deutlich höheres Potenzial als artverwandte Methoden aus dem Bereich der klassischen Statistik oder der regelbasierten Künstlichen Intelligenz aufweisen. Strukturelle und semantische Heterogenität können die Anzahl der Trainingsbeispiele stark reduzieren, so dass der Lernprozess angepasst werden muss, um Overfitting zu vermeiden. Maßgeblich verantwortlich ist hier die Komplexität der Methoden. Merkmalsselektierende Verfahren, die die Dimensionalität des Eingaberaums reduzieren, können die Generalisierungsleistung der Verfahren erhöhen. Anwendung finden diese Verfahren nicht nur bei Bild- und Tonsignalen, sondern auch bei medizinischen Auswertungen, wie MRT oder genomischen Daten. Die Erklärbarkeit der maschinellen Lernverfahren soll in den Prozess der Verfahren einfließen.
 

Erstbetreuer:

Prof. Dr. Hans Kestler, Institut für Medizinische Systembiologie, Universität Ulm

 

Tandempartner:

Prof. Dr. Jan Beyersmann, Institut für Statistik, Universität Ulm

Prof. Dr. Kathrin Stucke-Straub, Technische Hochschule Ulm

 

Beratende Experten:

Prof. Dr. Volker Herbort, Technische Hochschule Ulm

Prof. Dr. Michael Munz, Technische Hochschule Ulm

Prof. Dr. Reinhold von Schwerin, Technische Hochschule Ulm

Prof. Dr. Karsten Urban, Institut für Numerische Mathematik, Universität Ulm