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.

分析实验的数据是在自然科学中进行的。 Sie ermöglicht die Bildung von Modellen, die natürliche Phänomene beschreiben;模型的 Fähigkeit gewonnenen、das Verhalten der beobachteten Phänomene vorherzusagen、wird häufig auf der Grundlage 实验者数据评估。 Allerdings basieren verbreitete methodische Werkzeuge zur Modellbildung und Modellevaluierung auf Unabhängigkeits- und Verteilungsannahmen, die Experimentell gewonnene Daten in verschiedener Weise verletzen können.因此，在 Beobachtungsprotokollen 和实验参数最佳状态下进行实验数据；在实际情况下，数据传输和传感器的特性是存在的。项目是模型构建和模型评估的开发，是实验过程和结果的实验​​，是对自然和实验的探索。 Dazu entwickeln wir Ansätze、um Abhängigkeiten 和 Verteilungsverschiebungen inexperimentellen Daten in geeigneter Weise zu korrigieren；我们了解结果的形式特征和优化问题的复杂性。项目的解决方案包括实验模型的简化和实验数据的生成。在《认知心理学和地球物理学的工作组》中，我们提出了自然科学模型的典型问题。