ECML PKDD 2024

Die European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD) ist eine führende europäische Veranstaltung für die Machine-Learning- und Data-Mining-Community, die vom 9. bis 13. September in Vilnius, Litauen, stattfinden wird. Die Konferenz bietet peer-reviewed Forschungspräsentationen, Vorträge von Branchenführern, Workshops, Tutorials, Poster-Sessions und verschiedene Tracks, einschließlich Angewandter Datenwissenschaft, Industrie und PhD-Foren. Wissenschaftler*innen des Lamarr-Instituts organisieren vier Workshops, eine Keynote und zwei Tutorials (im Rahmen der Workshops) auf der Veranstaltung und tragen mit zahlreichen Publikationen bei.

Workshop Interactive Adaptive Learning (IAL) (9. September)

Der ganztägige Workshop „Interactive Adaptive Learning (IAL)“ konzentriert sich auf die Optimierung des gesamten Machine-Learning-Prozesses, insbesondere in Szenarien mit knappen oder sich entwickelnden Daten, durch die Integration von Techniken wie adaptivem, aktivem, semi-supervised und Transfer-Learning. Ziel ist es, Forscher und Praktiker zusammenzubringen, um neuartige Ansätze, praktische Erfahrungen und ungelöste Herausforderungen bei der Entwicklung interaktiver und adaptiver Machine-Learning-Systeme zu erkunden. Der Workshop wird von den Lamarr-Forschern Dr. Mirko Bunse und Dr. Amal Saadallah (beide TU Dortmund) mitorganisiert.

Workshop TempXAI (9. September)

Der ganztägige Workshop „TempXAI: Explainable AI for Time Series and Data Streams Tutorial-Workshop“ bei der ECML PKDD 2024 zielt darauf ab, die Schnittstelle von erklärbarer KI (XAI) und den Herausforderungen der Interpretation von Zeitreihen und Datenströmen zu adressieren. Wichtige Ziele sind: das Verständnis dafür, wie Machine-Learning-Modelle in sich entwickelnden Datenumgebungen interpretiert werden können; die Sicherstellung, dass die Modellinterpretierbarkeit auch bei sich ändernden Daten wirksam bleibt; und die Anwendung von XAI in Echtzeitkontexten für interpretierbare und zeitnahe Entscheidungsfindung.

Lamarr-Forscher Matthias Jakobs und Dr. Amal Saadallah (beide TU Dortmund), Lamarr-Fellow Prof. Dr. Barbara Hammer (Universität Bielefeld) und Lamarr-Prinzipal-Investigator für Trustworthy AI, Prof. Dr. Emmanuel Müller, tragen alle zur Organisation des Workshops bei.

Workshop Learning to Quantify: Methods and Applications (LQ 2024) (13. September)

Der Workshop „Learning to Quantify: Methods and Applications“ bei der ECML PKDD 2024 untersucht die Aufgabe, Modelle zu trainieren, um die Klassenprävalenz in unbeschrifteten Daten zu schätzen, ein Prozess, der sich von der traditionellen Klassifikation unterscheidet. Ziel der Veranstaltung ist es, Forschern die Prinzipien, Methoden und Anwendungen des Learning to Quantify vorzustellen und gleichzeitig Diskussionen über Fortschritte und praktische Anwendungen bei der Verarbeitung großer Datenmengen zu fördern. Einer der Organisatoren ist Dr. Mirko Bunse von Lamarrs Partnerorganisation, der TU Dortmund.

Workshop Quantum Machine Learning (13. September)

Der Workshop und das Tutorial „Quantum Machine Learning“ (QML) konzentrieren sich auf die neuesten Entwicklungen im QML und betonen dabei das Gleichgewicht zwischen Innovation und theoretischer Strenge. Alternativen zu Quantum Neural Networks (QNNs) und hybriden Methoden, die Stärken und Grenzen des QML sowie theoretische Beiträge werden in interaktiven Sitzungen von den Teilnehmern diskutiert.

Lamarr-Forscher Dr. Nico Piatkowski (Fraunhofer IAIS), Sascha Mücke (TU Dortmund) und Prof. Dr. Christian Bauckhage, Lamarr-Direktor am Fraunhofer-IAIS-Standort, tragen alle zur Organisation des Workshops bei.

Keynote „Resource-Aware Machine Learning — a User-Oriented Approach“ (12. September)

Prof. Dr. Katharina Morik, Gründungsdirektorin des Lamarr-Instituts, wird ebenfalls Teil der ECML PKDD sein. Moriks Keynote befasst sich mit dem wachsenden Bedarf an energieeffizientem Machine Learning (ML), indem sie Forschungen zur Verkleinerung, Beschleunigung und ressourcenbewussten Gestaltung von Modellen durch Techniken wie Pruning, Quantisierung und energieeffiziente Hardware untersucht. Sie betont die Bedeutung benutzerfreundlicher Testwerkzeuge, die den Stakeholdern helfen, die energieeffizientesten Modelle auszuwählen, und plädiert dafür, den Benutzern eine größere Rolle bei der Entwicklung nachhaltiger ML-Lösungen einzuräumen.

Greifen Sie hier auf das vollständige Programm der Konferenz zu. Und registrieren Sie sich hier für die Konferenz.