{"id":36052,"date":"2026-04-14T06:57:52","date_gmt":"2026-04-14T06:57:52","guid":{"rendered":"https:\/\/lamarr-institute.org\/?p=36052"},"modified":"2026-04-14T06:58:26","modified_gmt":"2026-04-14T06:58:26","slug":"muecken-und-physik","status":"publish","type":"post","link":"https:\/\/lamarr-institute.org\/de\/news\/muecken-und-physik\/","title":{"rendered":"Was M\u00fccken und physikalische Daten verbindet"},"content":{"rendered":"\n

Foz do Igua\u00e7u, Brasilien.<\/strong> Was verbindet die Ausbreitung von M\u00fcckenpopulationen mit der Analyse physikalischer Messdaten? Mehr, als es auf den ersten Blick scheint: In beiden F\u00e4llen steht die Forschung vor derselben Herausforderung, zuverl\u00e4ssige Aussagen \u00fcber H\u00e4ufigkeiten zu treffen, obwohl sich die zugrunde liegenden Daten ver\u00e4ndern. Genau daran arbeitet Dr. Mirko Bunse<\/a><\/strong>, Research Associate am Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz <\/strong>und KI-Forscher an der TU Dortmund<\/a><\/strong>, w\u00e4hrend eines Forschungsaufenthalts in Brasilien. Gemeinsam mit Dr. Andr\u00e9 Maletzke<\/strong> von der Universidade Estadual do Oeste do Paran\u00e1 (Unioeste)<\/a><\/strong> entwickelt er Verfahren, die solche Verschiebungen systematisch ber\u00fccksichtigen.<\/p>\n\n\n\n

Ein gemeinsames Problem \u00fcber Disziplinen hinweg<\/strong><\/p>\n\n\n\n

Im Zentrum steht die Sch\u00e4tzung der sogenannten Klassenh\u00e4ufigkeiten (Class Prevalence<\/strong>), also der H\u00e4ufigkeit von Klassen innerhalb eines Datensatzes. Anders als bei klassischen Klassifikationsaufgaben zielt sie nicht auf die korrekte Zuordnung einzelner Objekte, sondern auf die pr\u00e4zise Bestimmung ihrer relativen H\u00e4ufigkeiten<\/strong>. Diese Perspektive ist in unterschiedlichen Kontexten entscheidend: In Brasilien dienen intelligente M\u00fcckenfallen dazu, Populationen bestimmter Arten zu quantifizieren, eine Grundlage f\u00fcr Ma\u00dfnahmen im \u00f6ffentlichen Gesundheitswesen. In der Physik stellt sich dieselbe Frage bei der Auswertung experimenteller Daten, etwa bei der Bestimmung von Teilchentypen oder bei Daten aus Neutrinoteleskopen, bei denen es ebenfalls um die relativen H\u00e4ufigkeiten unterschiedlicher Klassen geht.<\/p>\n\n\n\n

Das Problem liegt in der Verschiebung der Datenverteilungen: Modelle werden unter bestimmten Bedingungen trainiert und treffen in der Anwendung auf ver\u00e4nderte Daten.<\/strong> Ohne geeignete Anpassung f\u00fchrt das zu systematischen Verzerrungen. Die gemeinsame Forschung setzt genau hier an und entwickelt Methoden, die diese Verschiebungen modellieren und in die Sch\u00e4tzung integrieren.<\/p>\n\n\n\n

Interdisziplin\u00e4rer Methodenvergleich als Forschungsansatz<\/strong><\/p>\n\n\n\n

Der Aufenthalt f\u00fchrt unterschiedliche wissenschaftliche Perspektiven auf ein gemeinsames methodisches Problem zusammen<\/strong>. W\u00e4hrend die brasilianische Arbeitsgruppe ihre Ans\u00e4tze in \u00f6kologischen und gesundheitsbezogenen Anwendungen entwickelt, bringt Bunse Erfahrungen aus physikalischen Analysen ein. Daraus entstehen gemeinsame methodische Ans\u00e4tze, die sich \u00fcber Disziplingrenzen hinweg weiterentwickeln lassen<\/strong>. \u201eWir arbeiten mit sehr unterschiedlichen Daten, von M\u00fcckenpopulationen bis zu physikalischen Messreihen. Aber die zugrunde liegende Frage ist dieselbe: Wie lassen sich H\u00e4ufigkeiten auch dann zuverl\u00e4ssig bestimmen, wenn sich die Daten ver\u00e4ndern? Der Austausch hilft uns, Methoden zu entwickeln, die genau gegen solche Ver\u00e4nderungen robuster sind\u201c<\/em>, sagt Bunse<\/strong>. F\u00fcr das Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz ist diese Form der Zusammenarbeit exemplarisch. Sie macht sichtbar, dass zentrale Herausforderungen des Maschinellen Lernens nicht an einzelne Anwendungsfelder gebunden sind. So entstehen Verfahren, die auch unter ver\u00e4nderten Bedingungen stabil und \u00fcbertragbar sind.<\/p>\n","protected":false},"excerpt":{"rendered":"

KI-Forschung verbindet M\u00fccken und Physik: Neue Methoden zur Sch\u00e4tzung von Class Prevalence bei ver\u00e4nderten Datenbedingungen.<\/p>\n","protected":false},"author":28,"featured_media":36053,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[174],"tags":[740],"class_list":["post-36052","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-pressemitteilungen","tag-internationales"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts\/36052","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/28"}],"replies":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/comments?post=36052"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/posts\/36052\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/36053"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=36052"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/categories?post=36052"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/tags?post=36052"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}