SLICE BMBF-Antrag (in Begutachtung)
Förderschwerpunkt Maschinelles Lernen / Data Analytics, IT–Softwaresysteme und Wissenstechnologien
Dieses Forschungsvorhaben fokussiert auf die Nachvollziehbarkeit und Begründbarkeit bislang inhärent impliziter maschineller Lernverfahren wie sie bei künstlichen neuronalen Netzwerken (KNN) bzw. im Deep Learning auftacuehn. Jedes maschinelle Lernverfahren lernt in einer bestimmten Notation bzw. Meta-Modell. Jedes dieser Meta-Modelle, z.B. das von KNN, besitzt eine fest definierte Syntax (z.B. Neuronen) und Semantik (z.B. Aktivierungsfunktionen). Feste Lernformen sind insbesondere zur Optimierung der Lernalgorithmen hilfreich, z.B. Backpropagation zur Manipulation der zu lernenden Gewichte im KNN. Ist das gelernte Modell einfach durch einen Menschen interpretierbar sprechen wir von einem expliziten Modell. Ist das Modell hingegen implizit verhindern Modellgröße und/oder Semantik eine einfache Interpretation. Viele Modelle - insbesondere die momentan erfolgreichen künstlichen neuronalen Netze - wechseln sehr schnell ab einer bestimmten Größe von einem expliziten zu einem impliziten Modell. Kern dieses Antrags ist die Nutzung von Genetische in einer flexiblen Modellierungs- und Simulationsumgebung zum Lernen von expliziten Modellen zur (semi-) automatischen Interpretation des aktuell erfolgreichsten Vertreters der inhärent impliziten Modelle, den künstlichen neuronalen Netzen.
Konsortialpartner:
Prof. Dr. Roland M. Mueller, HWR Berlin
Prof. Dr. Ralf Buschermöhle, Hochschule Osnabrück
Prof. Dr. Nico Brehm, Ernst-Abbe-Hochschule Jena
Back to Top