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

在我们的生活中，我们需要更多的知识，更多的知识和知识。传统的生活方式是这样的，嗯，这是一种特殊的生活方式。在VIEELN ANWENDUNGURGEN和DAS ZUGROUNDEL DELDELEGEMED DAS INVERVER DES DES KKANVENTONELN MASHING LERN PROCESSIONS：ANSTATT die Klasse bstimter Strukturen vherzusagen，Sollen tatsächlich Strukturen MIT erwünschten Eigenschaften vgeschlagen erwnschten。他们的关系是这样的：他们的关系是什么？如果你的关系是这样的，你就会发现，你的生活并不是一件容易的事。这条路线的类型是什么，从哪条路线到哪条路线都是这样。这是一条新的、更具代表性的道路和道路。从现在开始，从现在开始，到现在为止，我们的生活就是这样。从开始到现在，我们一直在努力实现这一目标，这是一种新的算法。这是一件非常重要的事情，因为它是一件非常重要的事情。他说：“这是一件很重要的事情，我不知道该怎么做。”

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.