• Ansprechpartner:  Prof. Dr. Thomas Kirste

1. D 73-19: Doktorand*in

Dieses Teilprojekt beschäftigt sich mit der Entwicklung von probabilistischen Inferenz-Algorithmen, die effiziente Inferenz in hochdimensionalen, stark strukturierten Systemen ermöglichen durch die Ausnutzung von Symmetrien in den zugrundeligenden Zustandsräumen. Das Ziel ist es, Algorithmen zu entwickeln, die eine effiziente Analyse (beispielseweise hinsichtlich einer Reduktion von Trainings-Daten und -Zeit) der im Projekt untersuchten Anwendungsgebiete ermöglichen.

Der Lehrstuhl „Mobile Multimediale Informationssysteme“ (MMIS) beschäftigt sich mit der Entwicklung proaktiver, subsidiärer
Assistenz-Systeme. Primär sind dabei die Anwendungsgebiete Intelligente Umgebungen (insbesondere in Büro-Umgebungen und
Montage-Assistenz), Assistenz-Systeme für Menschen mit kognitiven Beeinträchtigungen, und Rehabilitations-Assistenz bei motorischen
Erkrankungen von Interesse. Solche Assistenz-Systeme benötigen Komponenten, die strukturierte menschliche Verhaltensweisen aus
Zeitreihen unscharfer Sensordaten (beispielsweise aus tragbaren Accelerometern oder Umgebungs-Sensorik) rekonstruieren.
Methodisch beschäftigt sich der Lehrstuhl MMIS mit der Entwicklung solcher Systeme als Kombination von symbolischen und
probabilistischen Methoden. Unter anderem wird vom Lehrstuhl MMIS die Methodik der Computational State Space Models (Krüger et al.,
2014) entwickelt bzw. weiterentwickelt: Dabei handelt es sich um spezifische Bayes‘sche Filter, bei denen die System-Dynamik durch ein
symbolisches Modell mit probabilistischer Semantik beschrieben wird. Zustandsräume, die durch solche Methoden beschrieben werden
können, sind in vielen Fällen hochgradig symmetrisch. Vom Lehrstuhl MMIS werden Methoden entwickelt, diese Symmetrien für eine
effizientere Inferenz auszunutzen (Lüdtke et al., 2018). Solche Symmetrien herrschen auch in den Systemen vor, die in diesem Projekt
untersucht werden sollen.
Im Rahmen des Projektes übernimmt der Lehrstuhl MMIS die Aufgabe, methodische Grundlagen – hinsichtlich der Berücksichtigung von
Symmetrien für effiziente Inferenz – zur Verfügung zu stellen. In einem ersten Schritt sollen Hybrid-Systeme aus den am Lehrstuhl MMIS
entwickelten, symmetrie-berücksichtigenden Methoden einerseits und konnektionistischen Methoden des maschinellen Lernens
andererseits entwickelt werden.
Zusammen mit dem Institut für Mathematik sollen darüber hinaus Konzepte der Symmetrie-Berücksichtigung auf Neuronale Netze
übertragen werden. Das Ziel ist es, Algorithmen zu entwickeln, die eine effiziente Analyse (beispielseweise hinsichtlich einer Reduktion von
Trainings-Daten und -Zeit) der im Projekt untersuchten Anwendungsgebiete ermöglichen.