Fortgeschrittene Themen in AI und Robotik

Komplexe maschinelle Lernmodelle werden immer häufiger eingesetzt. Forscher versuchen deren Blackbox-Natur erklärbarer zu machen. Die meisten Erklärungsmethoden können jedoch keinen Einblick über die gegebenen Daten hinaus geben, da sie zusätzliche Informationen über den Kontext benötigen. In ihrem Vortrag wird Katharina Beckh zeigen, dass die Nutzung von Vorwissen Erklärungen verbessern kann, z.B. um sie zugänglicher zu machen, und sie wird drei Hauptansätze dafür vorstellen. Beckh wird die bestehende Taxonomie des informierten maschinellen Lernens als Ausgangspunkt vorstellen, Beispiele für jeden wissensgesteuerten erklärungsfähigen ML-Ansatz geben und offene Herausforderungen und Forschungsrichtungen aufzeigen.

Kurzer Lebenslauf

Katharina Beckh ist wissenschaftliche Mitarbeiterin am Fraunhofer IAIS in einem Team für natürliches Sprachverständnis. Sie erhielt ihren MSc-Abschluss in Mensch-Computer-Interaktion an der Julius-Maximilians-Universität Würzburg im Jahr 2019. Seitdem, hat sie an Data-Science-Projekten in verschiedenen Bereichen gearbeitet und diese geleitet, darunter Gesundheitswesen, Elektrotechnik und erneuerbare Energien.
Ihr Forschungsinteresse liegt im Bereich der erklärenden natürlichen Sprachverarbeitung mit einem Fokus auf die Evaluierung, Nutzung und Verbesserung von Erklärungen.

Relevante Literatur zu diesem Vortrag

1. Beckh, K., Müller, S., Jakobs, M., Toborek, V., Tan, H., Fischer, R., Welke, P., Houben, S. and von Rueden, L., SoK: Harnessing Prior Knowledge for Explainable Machine Learning: An Overview. In First IEEE Conference on Secure and Trustworthy Machine Learning. (https://openreview.net/forum?id=1KE7TlU4bOt)

2. L. von Rueden et al., "Informed Machine Learning – A Taxonomy and Survey of Integrating Prior Knowledge into Learning Systems," in IEEE Transactions on Knowledge and Data Engineering, vol. 35, no. 1, pp. 614-633, 1 Jan. 2023, doi: 10.1109/TKDE.2021.3079836. (https://ieeexplore.ieee.org/abstract/document/9429985)

3. Sokol, K., Flach, P. One Explanation Does Not Fit All. Künstl Intell 34, 235–250 (2020). (https://link.springer.com/article/10.1007/s13218-020-00637-y

Der Vortrag findet in englischer Sprache statt und richtet sich an die Studierenden und Mitarbeitenden der H-BRS. Interessierte sind herzlich eingeladen.