Aktive und Batch-Segmentierung, Clustering und Seriation: Grundlagen der KI

• Antragstellerinnen / Antragsteller: Professorin Dr. Alexandra Carpentier; Professor Debarghya Ghoshdastidar, Ph.D.
• Fachliche Zuordnung: Mathematik ; Theoretische Informatik
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 490860858

Unbeaufsichtigtes Lernen ist eines der grundlegendsten Probleme des maschinellen Lernens und allgemein der künstlichen Intelligenz. Im weitesten Sinne läuft es darauf hinaus, eine unbeobachtete latente Struktur über Daten zu lernen. Einer der Eckpfeiler des unbeaufsichtigten Lernens ist wohl das Clustering, bei dem das Ziel darin besteht, eine Partition der Daten in homogene Gruppen wiederherzustellen. Neben dem einfachen Clustering umfasst unbeaufsichtigtes Lernen eine Vielzahl verwandter Probleme, wie z. B. das hierarchische Clustering, bei dem die Gruppenstruktur möglicherweise komplexer ist und sowohl das Rückgrat als auch die feinkörnige Organisation der Daten aufzeigt, die Segmentierung, bei der die Form der Cluster eingeschränkt wird, oder Ranking- und Seriationsprobleme, bei denen keine tatsächliche Clusterstruktur vorhanden ist, bei denen jedoch eine implizite Reihenfolge zwischen den Daten besteht. All diese Probleme haben bereits unzählige Anwendungen gefunden, und das Interesse an diesen Methoden nimmt aufgrund der Menge verfügbarer unbeschrifteter Daten zu. Wir können z.B. Crowdsourcing zitieren, und Solche Probleme sind für Empfehlungssysteme und für Analysen sozialer Netzwerke äußerst relevant.Die Analyse unbeaufsichtigter Lernverfahren hat eine lange Geschichte, die ihre Wurzeln sowohl in der Informatik als auch in der Mathematik hat. Als Reaktion auf die jüngsten Brücken zwischen diesen beiden Gemeinschaften wurden bahnbrechende Fortschritte bei den theoretischen Grundlagen der einfachen Clusterbildung erzielt. Wir glauben, dass diese jüngsten Fortschritte den Schlüssel für tiefgreifende Auswirkungen auf das breitere Feld des unbeaufsichtigten Lernens darstellen, da Clustering allgegenwärtig ist. In diesem Vorschlag wollen wir zunächst diese jüngsten bahnbrechenden Fortschritte bei der einfachen Clusterbildung auf Probleme übertragen, bei denen die latente Struktur entweder komplexer oder eingeschränkter ist.Darüber hinaus sind viele moderne unbeaufsichtigte Lernanwendungen im Wesentlichen Online-Anwendungen - und manchmal müssen darüber hinaus Entscheidungen nacheinander getroffen werden. Stellen Sie sich beispielsweise ein Empfehlungssystem vor, das Benutzern nacheinander Elemente empfiehlt. In diesem Zusammenhang, in dem sequentielle, aktive Empfehlungen abgegeben werden, ist es wichtig, die latente Struktur zu nutzen, die den Individuen zugrunde liegt. Während sowohl die Bereiche des unbeaufsichtigten Lernens als auch des sequentiellen, aktiven Lernens florieren, wurde die Forschung am Scheideweg von jeder Gemeinde größtenteils getrennt durchgeführt - was zu Verfahren führte, die verbessert werden können. Ein zweites Ziel dieses Vorschlags wird es dann sein, die Bereiche unbeaufsichtigtes Lernen und aktives Lernen zusammenzuführen, um neue Algorithmen vorzuschlagen, die die unbekannte latente Struktur effizienter sequentiell nutzen können.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich
• Kooperationspartner: Professor Nicolas Verzelen, Ph.D.