Durch die Anwendung von Shapley-Werten auf die Quanteninformatik erklären Lamarr-Forschende die Rolle bestimmter Gatter in einem Quantenschaltkreis und geben Einblicke in die Funktionsweise von Modellen des Quantum Machine Learning.
Die Landwirtschaft ist zur Sicherung unserer Lebensgrundlage unerlässlich. Doch wegen des Klimawandels muss sie sich weiterentwickeln: Eine Lösung zur Unterstützung einer nachhaltigen Landwirtschaft 4.0 können autonome Roboter sein, die Felder überwachen.
Sogenannte Foundation-Modelle entwickeln sich schnell und können bereits qualitativ anspruchsvolle Aufgaben automatisiert durchführen und unterschiedliche Medien gleichzeitig betrachten. Dieser Beitrag wirft einen Blick hinter die Kulissen der großen Sprachmodelle.
Eine klare Semantik mit Bezug zu Trainingsdaten, Erlernen von Struktur und Parametern, effiziente Inferenz sowie eine vielseitige Anwendbarkeit: Das verbinden Sum-Product Networks in sich – eine neuartige Modellarchitektur des Maschinellen Lernens.
Ein modellbasierter Erklärbarkeitsansatz für Punktwolken-Klassifikatoren wird zusammen mit zwei verschiedenen Bewertungsmaßstäben (lokale Treue und Plausibilität), die die Plausibilität des Ansatzes validieren, vorgeschlagen. Das Toolkit ist jetzt online verfügbar.
Bisher erstellen Sprachmodell-basierte Bewertungen von Chatbots nur einen Score über die Gesamtqualität, ohne beispielsweise den Zusammenhang des Dialogs zu beachten. Mit Modellen, die auf GLUE-Aufgaben trainiert sind, hat das ein Ende.
Dialogsysteme sind in Sprachassistenten wie Siri oder Alexa oder in Chatbots auf Social-Media-Plattformen weit verbreitet. Aber woher weiß man, dass der eigens entwickelte Chatbot tatsächlich funktioniert?
Die meisten bereits vorhandenen Knowledge Graphs Embedding Modelle unterstützen oft nur einen einzigen Transformationstyp. Das Modell der 5* Wissensgraph-Einbettung kann jedoch mehrere gleichzeitige Transformationen wie Inversion, Reflexion, Homothetie durchführen.
Estimating how long we wait for a service is key to improving it. Through GANs waiting times can be accurately estimated, with little to no assumptions about the actual service providers.
Damit ein ML-System Widersprüche in Texten erkennen kann, bedarf es eine große Menge an menschenähnlichem Textverständnis. In diesem Beitrag stellen wir Modelle unserer Forschung vor, die dazu in der Lage sind.
Die datengesteuerte Sensorinterpretation beim autonomen Fahren kann manchmal zu sehr unplausiblen Vorhersagen führen. Ein teils von Menschen entworfener, teils gelernter Regelsatz kann bestehende tiefe neuronale Netze, die Low-Level-Sensorinformationen verarbeiten, zuverlässig machen.
Das Fuzzy Testing erlaubt kontinuierliche, automatisierte KI-Tests mit moderatem Zeit- und Kostenaufwand, eignet sich für dynamische Entwicklungs- und Einsatzumgebungen und kann eine im Vergleich zu manuellen Verfahren deutlich größere Testraumabdeckung erreichen.
Durch ihr stochastisches Verhalten können Qubits (Quanten-Bits) als Quelle von (echten) Zufallszahlen im Maschinellen Lernen verwendet werden. Forschende des ML2R untersuchten den Einsatz von Quanten-Zufallszahlen zur Initialisierung von maschinellen Lernmodellen.
Menschen setzen Passwörter meist nicht zufällig, wodurch Systeme anfällig für Angriffe werden. In unserem Forschungsprojekt untersuchen wir Deep-Learning-Modelle, um neue, sicherere Passwörter zu generieren und die IT-Sicherheit in Unternehmen zu testen.
Aus einer Menge von Modellen jenes Modell auszuwählen, welches eine gegebene Aufgabe am besten lösen kann, ist oft ein undurchsichtiger Prozess. Für Zeitreihenvorhersage präsentieren wir ein erklärbares Verfahren für Modellselektion.
Mit der Methode der kleinsten absoluten Abweichung kann eine Regressionsgerade bestimmt und ein Lineares Regressionsmodell so trainiert werden, dass es robust gegenüber Unregelmäßigkeiten – sogenannten „Ausreißern“ – in Daten ist.
Bin packing is part of the thoroughly scrutinized class of combinatorial optimization problems. This Blog post applies two practical heuristics to a concrete example and compares their efficacy regarding two criteria.
Klinische Studien enthalten neben objektiven Indikatoren der Patient*innen oftmals subjektive Experteneinschätzungen zum Krankheitsstatus. Um Schwankungen von Expertenwissen zu reduzieren, wird die bestehenden Einschätzungen mit gemessenen Indikatoren anhand einer Ranking SVM kombiniert.
In diesem Beitrag erklären wir den Ansatz der generativen neuronalen Modelle. Diese haben in Anwendungsbereichen, in denen handkuratierte Daten für überwachtes Lernen schwer oder nicht erhältlich sind, gute Erfolge erzielt.
Wie einfach KI-Algorithmen angegriffen werden können, hängt von der Form der Grenzen ab, mit der das neuronale Netz die Entscheidungen voneinander trennt. Diese kann durch das Erhitzen der Entscheidungsgrenzen bestimmt werden.
Die Lokalisierung von autonom fahrenden Robotern ist essentiell für ihre Navigation im Raum. ML2R-Wissenschaftler*innen entwickelten eine Methode, welche es Robotern ohne Vorwissen und mittels Bodenkamera ermöglicht, ihre räumliche Position zu bestimmen.
Die Evolutionäre Optimierung ist eine echte Alternative zu gradientenbasierten Verfahren, da sie flexibler in verschiedenen Anwendungsszenarien eingesetzt werden kann. ML2R-Forschende nutzten evolutionäre Algorithmen, um Schaltkreise von Quantencomputern zu optimieren.
Word-Embeddings bilden den Grundbaustein für die algorithmische Analyse und Verarbeitung von Texten, wie Textklassifizierung, Übersetzung und Textgenerierung. Interpretierbare Vektorrepräsentation von Wörtern kodieren semantische Zusammenhänge verständlich und ermöglichen Analyse von wort-übergreifenden Themen.
Publish or Perish? Wissenschaft zum Maschinellen Lernen unterliegt einem hohen Publikationsdruck. ML-Forschung kann hier von einer Adaption des Slow Science-Ansatzes profitieren, der mehr Zeit für und Konzentration auf inhaltliche Forschungstätigkeit legt.
Sicherheitskritische Systeme, wie beispielsweise selbstfahrende Autos, stellen neue, hohe Anforderungen an KI-Modelle. Vielerorts wird hierzu an Lösungsansätzen geforscht, ein umfassender Überblick wurde jetzt durch ein Übersichtspapier des Konsortiums „KI-Absicherung“ geschaffen.
BERT ermöglicht es viele Probleme der Interpretation natürlicher Sprache zu lösen. Dieser Beitrag erläutert detailliert die Architektur, die Eigenschaften und Funktionsweise des von Google entwickelten Modells.
Um alle Typen der Syllogismen zu lernen, gibt es keine ‘perfekten Trainingsdaten’, unabhängig davon wie viele Daten vorliegen. Stattdessen ist es möglich, die Syllogismen anhand semantischer Repräsentation der Eingabe zu lernen.
Informed Machine Learning macht bestehende Wissensquellen nutzbar und integriert sie in maschinelle Lernverfahren. Damit können Modelle basierend auf Daten und Vorwissen trainiert werden. Unternehmen können so langjähriges Fachwissen gewinnbringend einsetzen.
Menschen können vorhandenes Wissen und logisches Denken kombinieren, um neue Probleme zu lösen. Für KI ist das nicht so einfach. Der ARC Benchmark bietet nun eine Testumgebung für solch neuartige KI-Ansätze.
Bei Daten mit Lücken ist das Lernen von Modellen oft schwierig, und in manchen Fällen sogar unmöglich. Allerdings können generative Verfahren helfen, indem sie unvollständige Daten mit möglichst sinnvollen Annäherungen auffüllen.
