Wissensbasiertes maschinelles Lernen und seine Anwendungen

Trotz der bemerkenswerten Fortschritte, die in den letzten Jahrzehnten bei den Techniken des maschinellen Lernens (ML) und bei datengesteuerten Verfahren der künstlichen Intelligenz allgemein erzielt wurden, sind die meisten ML-Ansätze derzeit nicht in der Lage, interpretierbare Informationen und Wissen aus Daten zu extrahieren. Außerdem können Vorhersagen, die aus rein datengesteuerten Modellen gewonnen werden, physikalisch inkonsistent oder sogar unplausibel sein. Derzeit wird intensiv untersucht, wie man vorhandenes (Experten-)Wissen in das ML-Design einbeziehen kann, um diesen Herausforderungen zu begegnen. Die sorgfältige Integration von Vorwissen über einen Prozess, wie z. B. physikalische oder chemische Erkenntnisse, in das Lernverfahren verbessert nicht nur die Qualität der gelernten Repräsentation, sondern beschleunigt auch den Lernprozess mit weniger Datenproben.

Diese Summer School zielt darauf ab, den Teilnehmenden ein grundlegendes Verständnis dafür zu vermitteln, wie verschiedene Aspekte des Wissens inkl. etablierter Simulationsparadigmen in moderne Lernarchitekturen eingebracht werden können.

• Prof. George Em Karniadakis und Prof. Khemraj Shukla (beide Brown University)
• Prof. Tilman Plehn und Dr. Anja Butter (beide Universität Heidelberg)
• Prof. Pietro Faccioli (Universität Trient)
• Prof. Pascal Friederich (Karlsruher Institut für Technologie)