黑料传送门

Projekt 8: Erkl盲rbarkeit bei komplexit盲tsreduzierten maschinellen Lernverfahren

Bei gro脽en und hochdimensionalen Datenmengen zeigt sich, dass datengetriebene maschinelle Lernverfahren ein deutlich h枚heres Potenzial als artverwandte Methoden aus dem Bereich der klassischen Statistik oder der regelbasierten K眉nstlichen Intelligenz aufweisen. Strukturelle und semantische Heterogenit盲t k枚nnen die Anzahl der Trainingsbeispiele stark reduzieren, so dass der Lernprozess angepasst werden muss, um Overfitting zu vermeiden. Ma脽geblich verantwortlich ist hier die Komplexit盲t der Methoden. Merkmalsselektierende Verfahren, die die Dimensionalit盲t des Eingaberaums reduzieren, k枚nnen die Generalisierungsleistung der Verfahren erh枚hen. Anwendung finden diese Verfahren nicht nur bei Bild- und Tonsignalen, sondern auch bei medizinischen Auswertungen, wie MRT oder genomischen Daten. Die Erkl盲rbarkeit der maschinellen Lernverfahren soll in den Prozess der Verfahren einflie脽en.
 

Erstbetreuer:

Prof. Dr. Hans Kestler, Institut f眉r Medizinische Systembiologie, Universit盲t Ulm

 

Tandempartner:

Prof. Dr. Jan Beyersmann, Institut f眉r Statistik, Universit盲t 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 f眉r Numerische Mathematik, Universit盲t Ulm