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

模具分析实验研究[j] .浙江大学学报（自然科学版）。Sie ermöglicht die Bildung von Modellen, die natrliche Phänomene beschreiben；die Fähigkeit der gewonnenen Modelle, das Verhalten der bebacachteten Phänomene vorherzusagen, wind häufig der Grundlage experimenteller Daten evaluiert。基于verbreitte方法的Allerdings（参见Werkzeuge zur modelellbildung and Modellevaluierung auf Unabhängigkeits）和verilungsannahmen， die experimentale gennene Daten in verschiedener Weise verletzen können。所以werden die Verteilungseigenschaften von Experimentaldaten durch die Wahl von Beobachtungsprotokollen和experimentelle参数估计；[1] [1] [1] [1] [1] [1] [1] [1] [2] [1] [1]Ziel des Projektes ist die Entwicklung von Verfahren zur modelmodelbilung, welche den experimententellen Beobachtungsprozess and die daraus resultierende Verschiedenartigkeit von nature and Experiment exizizabbilden。大足研究进展与进展Ansätze， um Abhängigkeiten与研究进展与进展[j]；wir untersuchen die formalen Eigenschaften der resultierenden Verfahren and die Komplexität der zu lösenden optimierungsproblem。实验模型的建立、还原和实验数据的生成（实验数据的生成）与实验数据的生成（实验数据的生成）。在Zusammenarbeit mit arbeitsgrouppen der认知心理学和der地球物理学中，sollen erkenntnisforschritte zuexemplarischen naturwissenschaftlicen modelmodelbilddunsproblem erzieldwerden。

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.