Zum Hauptinhalt springen
TU Graz/ Forschung/ Forschung an der TU Graz/

Graz Center for Machine Learning

Künstliche Intelligenz und Machine Learning entwickeln sich zu einem der wichtigsten Werkzeuge der Zukunft. „Machine Learning wird unsere Welt verändern, wie es das Internet und Computer getan haben“, ist Robert Legenstein, Leiter des Graz Center for Machine Learning an der TU Graz überzeugt.

Um die Entwicklung zu fördern, hat die TU Graz das Forschungsnetzwerk Graz Center for Machine Learning geknüpft, in dem nun interdisziplinär an der Weiterentwicklung des maschinellen Lernens gearbeitet wird – sei es nun, um aus Big Data effizient und sinnvoll Schlüsse zu ziehen, aus unterschiedlichen Materialkombinationen die optimalste zu finden oder die Systeme selbst einen Schritt intelligenter zu machen.

Forschungsagenda

Im Graz Center for Machine Learning (GraML) befassen sich Forschende der TU Graz interdisziplinär mit Themen des maschinellen Lernens und bringen die jeweils einzigartigen wissenschaftlichen Blickwinkel ihrer täglichen Forschung ein.

Die wissenschaftliche Arbeit ist in sechs Kernforschungsbereiche (Core Research Areas, CRAs), die sich vor allem den Grundlagen des maschinellen Lernens widmen, und mehrere flexible Module, (Interdisciplinary Research Topics, IRTs), gegliedert.

Kontakt

Robert LEGENSTEIN
Leiter Graz Center for Machine Learning
GraMLnoSpam@tugraz.at

Scientific Advisory Board

  • Andreas GEIGER, Universität Tübingen
  • Ralf HERBRICH, Universität Potsdam
  • Kristian KERSTING, TU Darmstadt
  • Angeliki PANTAZI, IBM Research Zurich

 

Core Research Areas (CRAs)

Die Core Research Areas des Graz Centers for Machine Learning bilden das stabile Forschunggerüst des Research Centers und befassen sich mit den Grundlagen sowie der Methodenentwicklung im Bereich Maschinelles Lernen.

CRA 1: Visual Intelligence

Maschinelles Sehen, maschinelles Lernen und insbesondere tiefe neuronale Netze sind eng verknüpfte Forschungsfelder. Große Datenmengen, effizientere Optimierungsalgorithmen und eine stark erhöhte Rechenleistung haben zu einem enormen Fortschritt in diesen Bereichen geführt. Lernende Algorithmen sind aber nach wie vor von den ihnen zu Grunde liegenden Datensets abhängig. So können leichte Änderungen der Daten – etwa durch einen neuen Kamerawinkel oder geänderte Wetterverhältnisse – sie rasch an ihre Grenzen bringen.

Im Forschungsinteresse der Core Research Area 1 Visual Intelligence stehen robuste, flexibel einsetzbare und adaptive Systeme für den Bereich maschinelles Sehen.

CRA 2: Optimiziation in Machine Learning

Optimierungsalgorithmen sind von zentraler Wichtigkeit für das maschinelle Lernen und Schlussfolgern aus Modellen und stehen deshalb zentral im Forschungsinteresse der Core Research Area 2 Optimization in Machine Learning.

Die Arbeit konzentriert sich auf die Schnittstelle von Optimierung und Lernen, sodass etwa Regeln aus Datensätzen gelernt und aufwendige Subroutinen durch lernende Algorithmen ersetzt werden können. Darüber hinaus entwickeln die Forschenden kombinatorische Optimierungsalgorithmen weiter, die als Black-Box-Solver in neuronalen Netzwerken zum Einsatz kommen sollen.

CRA 3: Ressource-efficient and brain-inspired Machine Learning

Die Menge an verfügbaren Daten ist in den letzten Jahren enorm gestiegen – und damit auch der Bedarf an effizienten, intelligenten Systemen, die komplexe Abhängigkeiten aus diesen Daten extrahieren können. Derzeitige Systeme sind aber sehr ressourcenintensiv. Ziel der Core Research Area 3 Ressource-efficient and brain-inspired Machine Learning ist es, ressourcen-effiziente Methoden des maschinellen Lernens zu entwickeln.

Künstliche intelligente Systeme sind biologischer Intelligenz etwa in den Bereichen Generalisierung, Geschwindigkeit, aber vor allem auch Energieeffizienz weit unterlegen. Das menschliche Gehirn vermag mit vergleichsweise verschwindend geringem Energieeinsatz enorme Rechenleistungen zu erbringen. Forschende in der CRA 3 wollen sich dies als Vorbild nehmen und effiziente, biologisch inspirierte Systeme entwickeln.

CRA 4: Probabilistic Methods and Causal Models

Wahrscheinlichkeit ist ein zentrales Konzept des maschinellen Lernens und der künstlichen Intelligenz. Probabilistisches maschinelles Lernen bezieht die Wahrscheinlichkeit nicht nur mit ein, sondern stellt sie ganz in den Mittelpunkt. Die Core Research Area 4 Probabilistic Methods and Causal Models erforscht prinzipientreue und konsistenter Schlussfolgerungsprozesse, die auf natürliche Weise Unsicherheit, fehlende Daten und Ausreißer berücksichtigt und miteinbezieht. Die Forschenden arbeiten an Möglichkeiten, die Flexibilität und Modellierungskraft von Deep Learning mit rigoroser, probabilistischer Interferenz in Einklang zu bringen. Darüber hinaus erforschen sie Methoden, die über die Modellierung von kausalen Zusammenhängen Interventionseffekte berechnen und kontrafaktische Fragen beantworten können.

CRA 5: Recommender Systems and Behavioural Analytics

Die Rolle des Internets in unserem Leben wird immer mehr zu einer beratenden – etwa bei Kaufentscheidungen oder Restaurantbesuchen. Die so generierten Verhaltensdaten nutzen nun Forschende, um Präferenzen und zukünftiges Verhalten zu modellieren und so Produktempfehlungen online zu verbessern. Forschungsziel der Core Research Area 5 Recommender Systems and Behavioural Analytics ist es, neuartige, psychologisch informierte Empfehlungssysteme zu entwickeln, die sowohl transparent als auch erklärbar sind. Gleichzeitig forschen die Wissenschafterinnen und Wissenschafter an potentiell schädlichen Verzerrungen, die durch neue Recommender Systems passieren können.

CRA 6: Domain Specialized Machine Learning and Trust

In den kommenden Jahren wird die Spezialisierung der Bereiche maschinelles Lernen und Datenwissenschaft dazu führen, dass Domäne und Domänenwissen immer stärker miteinbezogen werden. Ziel der Core Research Area 6 Domain Specialized Machine Learning and Trust sind kontextbezogene Wissensdienste, die die Leistungsfähigkeit von maschinellen Lernmethoden mit semantischen Technologien und domänenspezifischem Wissen kombinieren. Damit soll individuelles, gemeinschaftliches und organisierte Lernen unterstützt werden. Weitere Forschungsthemen sind Trust by Design und Zertifizierung von Machine-Learning-Systemen.

Interdisciplinary Research Topics (IRTs)

Die Interdisciplinary Research Topics sind thematisch eng gefasste und flexible Forschungsmodule, die unter anderem anwendungsnahe die Core Research Areas mit kürzeren, abgeschlossenen Projekten unterstützen. Die IRTs sind grundsätzlich interdisziplinär und werden von Forschenden aus mindestens zwei Fakultäten der TU Graz gemeinsam bearbeitet.

Interdisciplinary Research Topics

  • IRT Machine Learning in Computational Chemistry and Protein Engineering
  • IRT Machine Learning Enhanced Optimization and Constraint Solving
  • IRT Stochastic and Topological Models
  • IRT Physics-Informed Machine Learning
  • IRT Human Factors and Privacy-Preserving Machine Learning
  • IRT Machine Learning for Engineering and Robotics
  • IRT Machine Learning for Geoinformatics