Towards a Synthesis of Local and Global Pattern Discovery

• Antragsteller: Professor Dr. Johannes Fürnkranz
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung von 2006 bis 2013
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 23794170

Regel-Lernen ist eine der ältesten und wichtigsten Forschungsrichtungen im Gebiet Maschinelles Lernen und Data Mining. Die Forschung auf diesem Gebiet folgt zwei Richtungen: Die Induktion von globalen Mustern in der Form von Regelmengen erlaubt, alle Beispiele in einer Ziel-Domäne zu behandeln, während das Entdecken von lokalen Mustern interessante Anomalien in Teilen der Daten aufdeckt. Obwohl es eine offensichtliche Beziehung zwischen beiden Gebieten gibt - globale Regelmengen setzen sich aus einzelnen Regeln zusammen, die man als lokale Muster interpretieren kann - haben sich bisher beide Forschungsrichtungen weitgehend unabhängig voneinander entwickelt. Insbesondere findet sich keine systematische Erforschung ihres Zusammenhangs in der Literatur. Ziel dieses Projekts ist es, eine vereinheitlichende Sichtweise auf Methoden zur Entdeckung von lokalen und globalen Mustern in Datenbeständen zu entwickeln. Dabei werden zwei Hauptziele verfolgt: Zum einen wollen wir ein grundlegendes Verständnis beider Algorithmen-Familien erlangen, ihre Gemeinsamkeiten und Unterschiede studieren. Andererseits erwarten wir, dass eine Studie der Synergien beider Gebiete zu innovativen praktischen Lösungen führen wird. Wir werden Suchheuristiken und Evaluations- Maße für lokale und globale Muster studieren, verschiedene Strategien, um lokale Muster zu globalen Theorien zu kombinieren, entwickeln, sowie lokale Regel-Lernverfahren für Regressions- und Clustering-Aufgaben untersuchen. Alle Lösungen werden anhand einer neuartigen, modularen Software-Architektur für Regel-Lerner evaluiert.

• DFG-Verfahren: Sachbeihilfen