Vertrauenswürdiges ML | LAMARR

|Erklärbare Modellselektion für Zeitreihenvorhersage|Kompentenzregion eines einzelnen Modells vor und nach der Drift detection|Modell C11

Welches Modell soll ich wählen? Erklärbare Modellselektion für Zeitreihenvorhersage

6. Oktober 2021

Matthias

Jakobs

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.

|Vergessen im Maschinellen Lernen|Vergessen im Maschinellen Lernen

I forgot to remember to forget: Vergessen als neue Anforderung an KI

29. September 2021

Alexander

Becker

Mit der DSGVO trat das Recht auf Vergessenwerden in Kraft. Im Maschinellen Lernen eröffnet gezieltes Vergessen neben Aspekten der Datensicherheit und Privatsphäre auch Potenziale für die Anwendbarkeit und Weiterentwicklung von Lernmodellen.

Fake News auf der Spur – Mit Maschinellem Lernen vertrauenswürdige Informationen bereitstellen

1. September 2021

Katharina

Beckh

Fake News werden als eine der größten Herausforderungen unserer Zeit eingestuft. Aber kann Maschinelles Lernen bei der Erkennung von Fake News unterstützen? Wir zeigen die Grenzen und Potentiale auf.

|Erklärbares Maschinelles Lernen|Erklärbares Maschinelles Lernen Teil 1||||Schematische Darstellung des maschinellen Lernprozesses|Erklärbarkeit eines Modells durch Vorwissen verbessern|Erklärbarkeitsmethoden verbessern durch Vorwissen|Erklärbarkeitsmethode hilft

Erklärbares Maschinelles Lernen durch zusätzliches Wissen verbessern

21. Juli 2021

Sebastian

Müller

Nachvollziehbarkeit algorithmischer Entscheidungen ist längst auch über die Forschung hinaus relevant. Wir analysieren, wie Erklärbarkeitsmethoden und externes Wissen zusammenwirken können, um Maschinelles Lernen an gesellschaftliche Anforderungen anzupassen und zu verbessern.

||Gewichte im Minimum des Verlustes nach dem Training und Ergebnisse des regularisierten Trainings

Abwehrspiel: Was können wir gegen Adversarial Examples tun?

12. Juli 2021

Linara

Adilova

Software für Maschinelles Lernen ist für bestimmte Angriffe anfällig: So können künstlich veränderte Eingabedaten zum Versagen des zugrunde liegenden Modells führen. Wir stellen Techniken zur Entwicklung von adversarialer Robustheit vor.

Was sind Adversarial Examples?

7. Juli 2021

Linara

Adilova

Feindliche Angriffe beim maschinellen Lernen zielen darauf ab, Ausfälle in der Funktionalität der Modelle zu verursachen. Dieser Blogpost beschreibt die sogenannten „Adversarial Examples“, die fehlerhafte Vorhersagen neuronaler Netze verursachen.

|Maschine erkennt das Schwein. Sobald ein Rauschen hinzugefügt wird

Robust oder anfällig – mit Wärme mehr Einsichten in neuronale Netze erhalten

1. Juni 2021

Lukas

Franken

Bogdan

Georgiev

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.

Informed Machine Learning|Informed Machine Learning Prozess|Informed Machine Learning Pipeline

Informed Machine Learning – Aus Daten und Vorwissen lernen

17. Februar 2021

Laura

von Rueden

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.

Erklärbarkeit der Künstlichen Intelligenz

Warum KI erklärbar sein muss

13. Januar 2021

Matthias

Jakobs

Viele Entscheidungen können heutzutage effizient, genau und automatisiert mittels maschineller Lernverfahren getroffen werden. Ebenso wichtig ist allerdings, dass transparent dargestellt und erklärt wird, warum und wie diese Entscheidungen zustande kommen.

Vertrauenswürdiges ML | LAMARR

Welches Modell soll ich wählen? Erklärbare Modellselektion für Zeitreihenvorhersage

I forgot to remember to forget: Vergessen als neue Anforderung an KI

Fake News auf der Spur – Mit Maschinellem Lernen vertrauenswürdige Informationen bereitstellen

Erklärbares Maschinelles Lernen durch zusätzliches Wissen verbessern

Abwehrspiel: Was können wir gegen Adversarial Examples tun?

Was sind Adversarial Examples?

Robust oder anfällig – mit Wärme mehr Einsichten in neuronale Netze erhalten

Informed Machine Learning – Aus Daten und Vorwissen lernen

Warum KI erklärbar sein muss

Nicht jedes Modell ist für jede Vorhersage ideal

Zeitreiheneigenschaften sind nicht konstant

Ein erklärbarer Ansatz