Learning to construct novel relational structures of a given class with machine learning algorithms

In dieser Nachwuchsgruppe untersuchen wir, wie Maschinen lernen können, neue relationale struckturen zu entwerfen, deren Eigenschaften nur implicit, duringsbespiele, gegeben sind。传统上，我们将学习如何学习，我们将学习如何学习，我们将学习如何学习schätzen。在vielen Anwendungen ist das zugrundeleggende问题的翻译为逆的des约定maschinellen Lernproblems: Anstatt die kllasse beestimmter Strukturen vorherzusagen， sollen tatsächlich Strukturen mit erw<e:1> nschten Eigenschaften vorgeschlagen werden。关系型结构与结构的关系häufig benutzt， um die Zusammensetzung komplexer object . Veränderung von Objekten in Raum and Zusammensetzung zu beschreiben。<s:1>关系结构研究进展räumliche化学结构研究进展，机械结构研究进展，结构研究进展schätzen。Zum Beispiel kann vorhergesagt werden, ob eine chemische Substanz gegen eine bestimmte Krankheit wirkt oder obeine räumliche Route typisch f<e:1> r eine bestimmte Zugvogelart ist。研究发现：1 .研究方法：1 .研究方法：1 .研究方法：1 .研究方法：1 .研究方法：1 .研究方法：1 .研究方法：Die Hauptschwierigkeit dieses neen, konstruktiven Maschinellen lerens light in der großen Zahl möglicher candidate strukturen。基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法的基于正则化算法。1 .技术进步与技术进步：技术进步与技术进步；技术进步与技术进步；技术进步与技术进步。1 .研究如何提高技术水平，研究如何提高技术水平，研究如何提高技术水平；研究如何提高技术水平，研究如何提高技术水平；研究如何提高技术水平，研究如何提高技术水平；研究如何提高技术水平，研究如何提高技术水平；研究如何提高技术水平，研究如何提高技术水平；

In dieser Nachwuchsgruppe untersuchen wir, wie Maschinen lernen können, neue relationale Strukturen zu entwerfen, deren Eigenschaften nur implizit, durch Trainingsbeispiele, gegeben sind. Traditionell werden maschinelle Lernverfahren eingesetzt, um die Eigenschaften vorgegebener Strukturen zu schätzen. In vielen Anwendungen ist das zugrundeliegende Problem allerdings das Inverse des konventionellen maschinellen Lernproblems: Anstatt die Klasse bestimmter Strukturen vorherzusagen, sollen tatsächlich Strukturen mit erwünschten Eigenschaften vorgeschlagen werden. Relationale Strukturen werden sehr häufig benutzt, um die Zusammensetzung komplexer Objekte aus einfacheren Komponenten zu modellieren oder die Veränderung von Objekten in Raum und Zusammensetzung zu beschreiben. Für relationale Strukturen wie zum Beispiel räumliche Routen oder chemische Verbindungen, wurden maschinelle Lernverfahren bereits erfolgreich dazu eingesetzt, die Eigenschaften vorgegebener Strukturen zu schätzen. Zum Beispiel kann vorhergesagt werden, ob eine chemische Substanz gegen eine bestimmte Krankheit wirkt oder ob eine räumliche Route typisch für eine bestimmte Zugvogelart ist. Die eigentliche Herausforderung ist es aber neue, hoch-potente Wirkstoffe aus der Menge aller synthetisierbaren Moleküle vorzuschlagen oder eine möglichst typische Route vorherzusagen. Die Hauptschwierigkeit dieses neuen, konstruktiven Maschinellen Lernens liegt in der großen Zahl möglicher Kandidatstrukturen. Um dieser Schwierigkeit zu begegnen, werden wir effiziente Berechnungsformeln für bestimmte Zählfunktionen herleiten, um neue Lernalgorithmen basierend auf der regularisierten Risikominimierung zu entwickeln. Die beantragte Forschung verspricht, Maschinelles Lernen als eine Schlüsseltechnologie weit über seine bisherigen Grenzen voranzutreiben. Die zu erwartenden Vorteile durch solche Techniken sind sehr weitreichend, da sie für ein großes Spektrum von Anwendungen wie der pharmazeutischen Wirkstoffforschung zu günstigeren und schnelleren Entwicklungen führen können.