Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

SFB 1597:  Small Data

Fachliche Zuordnung Medizin
Biologie
Informatik, System- und Elektrotechnik
Mathematik
Physik
Sozial- und Verhaltenswissenschaften
Förderung Förderung seit 2023
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499552394
 
Die jüngsten Fortschritte im Bereich der künstlichen Intelligenz wurden durch große Datenmengen und datengesteuerte Modellierungsansätze begünstigt, insbesondere bei Deep-Learning-Techniken, wie sie hauptsächlich in der Informatik entwickelt wurden. Es gibt jedoch eine größere Anzahl von Anwendungen, besonders in der Medizin, bei denen die Modellierung mit einer relativ kleinen Anzahl von Beobachtungen durchgeführt werden muss. Bei der datengesteuerten Modellierung kann dies durch den Transfer zusätzlicher Information erreicht werden. Alternativ kann die Modellierung auf stärkeren strukturellen Annahmen beruhen, die z. B. medizinische Expertise widerspiegeln, wie dies bei wissensbasierten Ansätzen der Fall ist, die häufig in der Mathematik und Statistik/Systemmodellierung entwickelt werden. So sind Ansätze für kleiner Datenmengen derzeit auf verschiedene Daten-Disziplinen verstreut. Um umfassende Lösungen zu schaffen, die spannende neue Ideen vereinen, ist es daher notwendig, Beiträge aus der Informatik, der Mathematik und der Statistik/Systemmodellierung zu integrieren. Diese Methodenentwicklung benötigt auch Beiträge aus Anwendungsbereichen wie der Biomedizin. Dementsprechend haben wir unsere SFB-Initiative SmallData mit einem starken Fokus auf die Entwicklung eines interdisziplinären Methodenrahmens konzipiert. Wir konzentrieren uns auf die zentralen SmallData-Aufgaben der Kombination ähnlicher Datensätze und der Übertragung von Information aus zusätzlichen Quellen unter Berücksichtigung und Reduzierung von Unsicherheit. Dies spiegelt sich in den drei Kernbereichen von SmallData wider: Similarity, Transfer und Uncertainty. Methodisch konzentrieren wir uns auf die Kombination von datengesteuerten und wissensgesteuerten Modellierungsansätzen, z.B. basierend auf neuronalen Netzen und Differentialgleichungen. Meta-Learning und Pre-Training sind zwei weitere Komponenten unseres Methodenrahmens zur Übertragung von Information über Modell- oder Tuning-Parameter zwischen Datensätzen. Darüber hinaus haben wir einen Fusion Hub konzipiert, der sich mit übergreifenden Themen befasst, welche die drei Bereiche miteinander verbinden, indem er Methoden aus verschiedenen Disziplinen fusioniert. Dazu gehören Ansätze, die auf den Konzepten der „attention“ und des „few-shot learning“ beruhen, welche in jüngster Zeit in der Informatik weiterentwickelt wurden. Die Entwicklung der Theorie geht Hand in Hand mit der Anpassung der Methoden an prototypische medizinische Anwendungen aus der Forensischen Medizin, Gentherapie, Nephrologie, Psychiatrie, Radiologie und zu seltenen Erkrankungen. Darüber hinaus wird unser integriertes Graduiertenkolleg eine gemeinsame Sprache für alle Disziplinen fördern. Zudem haben wir das SmallData Compendium als eine Webplattform konzipiert, welche unseren interdisziplinären Methodenrahmen für den Austausch von Konzepten und Methoden mit der internationalen Gemeinschaft bereitstellen wird, um auch so das Small-Data-Feld zu prägen.
DFG-Verfahren Sonderforschungsbereiche

Laufende Projekte

Antragstellende Institution Albert-Ludwigs-Universität Freiburg
 
 

Zusatzinformationen

© 2024 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung