<\/p>\n\n\n\n
Kaum ein Schlagwort ist in den letzten Jahren so sehr Bestandteil des menschlichen Alltags geworden wie \u201eK\u00fcnstliche Intelligenz\u201c – von der Sprachassistenz \u00fcber autonomes Fahren bis hin zu generativen Modellen, die ausgehend von einer Textbeschreibung beeindruckende Bilder unterschiedlicher k\u00fcnstlerischer Stilrichtungen erstellen k\u00f6nnen. Die Wissenschaft indes besch\u00e4ftigt sich schon seit langem mit den Methoden, die hinter dem Schlagwort stecken. Daran arbeitet die MLI Gruppe, die im September 2022 am HITS gegr\u00fcndet wurde.<\/p>\n\n\n\n
Die Gruppe besch\u00e4ftigt sich mit der Entwicklung von neuartigen Algorithmen und Verfahren des maschinellen Lernens. Besondere Schwerpunkte sind hierbei dateneffiziente Lernverfahren, sowie die Entwicklung von Algorithmen f\u00fcr bessere Generalisierbarkeit und interpretierbare Repr\u00e4sentationen.<\/p>\n\n\n\n
Die entwickelten Methoden des dateneffizienten Lernens erlauben es, ein an einem gro\u00dfen Datensatz vortrainiertes Modell an eine neuartige Anwendung anzupassen. Der Datensatz, der f\u00fcr dieses sogenannte \u201eFine-Tuning\u201c verwendet wird, kann dabei deutlich kleiner sein, als es ohne das Vortrainieren des Modells m\u00f6glich w\u00e4re. Dadurch reduziert sich der Zeit- und Kostenaufwand zum Erstellen der Trainingsdaten, und maschinelle Lernverfahren k\u00f6nnen in daf\u00fcr bisher unzug\u00e4nglichen Anwendungsfeldern verwendet werden.<\/p>\n\n\n\n
Ein Schwerpunkt der Forschung ist hierbei insbesondere die Entwicklung von Lernverfahren f\u00fcr eine bessere Generalisierbarkeit der Modelle. Hierdurch wird der Fehler minimiert, der bei der Verwendung eines an einen kleinen Datensatz angepassten Modells zu erwarten ist. Dabei werden Erkenntnisse aus der Lerntheorie mit Methoden der konvexen und nicht-konvexen Optimierung kombiniert.<\/p>\n\n\n\n
Ein weiterer Schwerpunkt liegt in interpretierbaren Repr\u00e4sentationen, mit dem Ziel, die Modelle interpretierbar und somit besser verst\u00e4ndlich zu machen, und um grundlegende Zusammenh\u00e4nge in Daten zu veranschaulichen. So lassen sich mit entsprechenden Lernalgorithmen den Daten zugrunde liegende Faktoren und teilweise sogar die kausalen Zusammenh\u00e4nge von beobachteten Daten ableiten. Insbesondere in den Naturwissenschaften ergeben sich dadurch interessante Anwendungen. Zur Anwendung kommen hierbei Methoden der variationellen Inferenz, statistische Verfahren der Faktoranalyse, sowie Graph-Neural-Networks.<\/p>\n","protected":false},"excerpt":{"rendered":"
Kaum ein Schlagwort ist in den letzten Jahren so sehr Bestandteil des menschlichen Alltags geworden wie \u201eK\u00fcnstliche Intelligenz\u201c – von der …<\/p>\n","protected":false},"author":107,"featured_media":49186,"parent":4,"menu_order":10,"comment_status":"closed","ping_status":"closed","template":"page-templates\/group.php","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"hits-research-group":[1423],"class_list":["post-45618","page","type-page","status-publish","has-post-thumbnail","hentry","hits-research-group-machine-learning-and-artificial-intelligence"],"acf":[],"yoast_head":"\n