« Forschungslandschaft: Projekte

Mechanismen zur Erkennung von Anomalien sind entscheidende Komponenten von Systemen des maschinellen Lernens, die in sicherheitskritischen Anwendungen eingesetzt werden, bei denen Ausfälle physischen, psychologischen oder wirtschaftlichen Schaden anrichten können. In solchen Situationen ist es wichtig, Beobachtungen oder Ereignisse zu erkennen, die so stark von den Daten abweichen, die zur Bestimmung der Parameter des maschinellen Lernmodells verwendet wurden, dass eine Verallgemeinerung des Modells auf den neuen Input nicht zu erwarten ist.

Da Methoden zur Erkennung von Anomalien in der Regel als unüberwachte Lernprobleme betrachtet werden, erweist sich die Abschätzung ihrer Leistung unter realistischen Bedingungen als recht schwierig; die derzeitigen Bewertungsprotokolle unterschätzen möglicherweise die Fehlerwahrscheinlichkeit und berücksichtigen manchmal nicht die Zufälligkeit der Algorithmen. Insbesondere tiefe Modelle, die mit hochdimensionalen Daten arbeiten, leiden unter diesem Problem. Ziel dieses Projekts ist es, Methoden zu entwickeln, mit denen sich Algorithmen zur unüberwachten Erkennung von Anomalien zuverlässig bewerten lassen.