Graz Center for Machine Learning

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

• Horst BISCHOF
• Roderick BLOEM
• Martin FELLENDORF
• Gerald STEINBAUER-WAGNER
• Siegfried HÖRMANN
• Roman KERN
• Bettina KLINZ
• Robert KOURIST
• Robert LEGENSTEIN
• Kerstin LENK
• Elisabeth LEX
• Stefanie LINDSTAEDT
• Robert PEHARZ
• Franz PERNKOPF
• Thomas POCK
• Sascha RANFTL
• Olga SAUKH
• Johannes SCHOLZ
• Wolfgang VON DER LINDEN
• Siegfried VÖSSNER

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.

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.

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.

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.

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.

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.

• 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