Modellbildung aus Experimentaldaten: Maschinelles Lernen und Modellevaluierung unter Abhängigkeiten und Verteilungsverschiebungen

根据实验数据构建模型：依赖性和分布变化下的机器学习和模型评估

• 批准号: 225197905
• 负责人: Professor Dr. Niels Landwehr
• 金额: --
• 依托单位: Abteilung Data Science (DS)
• 依托单位国家: 德国
• 项目类别: Independent Junior Research Groups
• 财政年份: 2012
• 资助国家: 德国
• 起止时间: 2011-12-31 至 2022-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/225197905?language=en
• 关键词: Modellbildung; aus; Experimentaldaten; Maschinelles; Lernen

Die Analyse experimentell gewonnener Daten bildet eine Säule des Erkenntnisgewinns in den Naturwissenschaften. Sie ermöglicht die Bildung von Modellen, die natürliche Phänomene beschreiben; die Fähigkeit der gewonnenen Modelle, das Verhalten der beobachteten Phänomene vorherzusagen, wird häufig auf der Grundlage experimenteller Daten evaluiert. Allerdings basieren verbreitete methodische Werkzeuge zur Modellbildung und Modellevaluierung auf Unabhängigkeits- und Verteilungsannahmen, die experimentell gewonnene Daten in verschiedener Weise verletzen können. So werden die Verteilungseigenschaften von Experimentaldaten durch die Wahl von Beobachtungsprotokollen und experimentelle Parameter bestimmt; die gewonnenen Daten liefern ein Abbild der Wirklichkeit, das durch den Prozess der Messung und Eigenschaften verfügbarer Sensoren geprägt ist. Ziel des Projektes ist die Entwicklung von Verfahren zur Modellbildung und Modellevaluierung, welche den experimentellen Beobachtungsprozess und die daraus resultierende Verschiedenartigkeit von Natur und Experiment explizit abbilden. Dazu entwickeln wir Ansätze, um Abhängigkeiten und Verteilungsverschiebungen in experimentellen Daten in geeigneter Weise zu korrigieren; wir untersuchen die formalen Eigenschaften der resultierenden Verfahren und die Komplexität der zu lösenden Optimierungsprobleme. Ergebnisse des Projektes sollen die experimentellen Kosten der Modellbildung reduzieren und auf Experimentaldaten gestützte Schlussfolgerungen belastbarer machen. In Zusammenarbeit mit Arbeitsgruppen aus der kognitiven Psychologie und der Geophysik sollen Erkenntnisfortschritte zu exemplarischen naturwissenschaftlichen Modellbildungsproblemen erzielt werden.

分析了S在自然环境中的经验。他说：“这是一件非常重要的事情，因为这是一件非常重要的事情。所有的方法都是基于模型和模型的方法，并在Verschiedener Weise和Verteilungsannahman中实验。因此，我们对实验进行了研究，并对实验参数进行了估计；在此基础上，提出了一种新的实验方法，即在此基础上进行了一系列实验。这是一项非常重要的工程，我们的实验结果是自然的，而实验的结果则是自然的。这是一个非常重要的问题，也是一个非常重要的问题。我们不会因此而面临形式上的问题，也不会因此而面临最优问题。从工程的角度来看，这是一种新的尝试，也是一种新的尝试。在Zusammenarbeit MIT Arbeitsgruppen Aus der Kognitiven心理学和Der GePhysik Sollen Erkenntnisfortschritte zu范例是自然界感觉到的现代社会的问题。