Auflistung D23 (2022) - Ausgezeichnete Informatikdissertationen nach Erscheinungsdatum
1 - 10 von 32
Treffer pro Seite
Sortieroptionen
- KonferenzbeitragDissertationspreis 2022, Komplettband(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023)
- KonferenzbeitragAlgorithmische Methoden für kombinatorische chemische Bibliotheken(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Bellmann, LouisComputergestützte Methoden sind seit Jahrzehnten ein integraler Bestandteil des Wirkstoffentwurfs. Hierfür werden große Molekülmengen digital prozessiert und zusammengefasst. Diese chemischen Bibliotheken werden beispielsweise nach Molekülen durchsucht, die interessante Eigenschaften im Rahmen einer bestimmten Anwendung aufweisen und als Leitstruktur für ein neues Medikament innerhalb eines Forschungsprojekts verwendet werden könnten. Hierbei spielt sowohl die Qualität als auch die Quantität der in einer Bibliothek enthaltenen Moleküle eine entscheidende Rolle. Klassischerweise wird die Molekülmenge einer Bibliothek enumeriert repräsentiert und durchsucht, das heißt jedes Molekül wird einzeln betrachtet. Dadurch skaliert der benötigte Speicherplatz und die beanspruchte Rechenzeit für die Durchsuchung der Bibliothek linear mit der Anzahl der enthaltenen Moleküle. In dieser Dissertation werden neuartige algorithmische Verfahren und Datenstrukturen entwickelt, die einen kombinatorischen Ansatz verfolgen. Dabei werden Ideen aus der kombinatorischen Chemie aufgegriffen: Durch eine begrenzte Menge chemischer Bausteine und Reaktionen wird ein kombinatorischer Raum von Produkten implizit aufgespannt, der diese um mehrere Größenordnung übersteigen kann. Die so gebildeten kombinatorischen Bibliotheken sind in der Lage mit weniger Ressourcen eine weitaus größere Anzahl von Molekülen abzubilden als klassische enumerierte Bibliotheken. Die drei in der Dissertation erarbeiteten algorithmischen Verfahren bieten jeweils neue Funktionalitäten für kombinatorische Bibliotheken und sind mit diesem Ansatz in der Lage auf Milliarden von Molekülen effizient zu operieren.
- KonferenzbeitragWürzburger Beiträge zur Leistungsbewertung verteilter Systeme(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Geißler, StefanDie Verfügbarkeit von zuverlässigem und hochperformantem Breitband-Internet ist längst ein nicht mehr wegzudenkender Aspekt unserer Gesellschaft. Für viele Aktivitäten, sowohl im Privatleben als auch im Beruf, ist der Zugang zu schnellem Internet mitunter zwingend erforderlich. Gleichermaßen steigt die Belastung der Netzinfrastrukturen in Heim- und Rechenzentrumsumgebungen sowie in Weitverkehrs- und Mobilfunknetzen durch die Einführung neuer, ressourcenintensiver Anwendungen wie Videostreaming oder Cloud-Gaming kontinuierlich an. Um dieser steigenden Belastung zu begegnen, entwickeln wir im Rahmen der diesem Dokument zugrundeliegenden Dissertation Mechanismen und Methodiken zur Überwachung, sowie zur Modellierung und simulativen Leistungsbewertung eben der Netzinfrastruktur, die für die Bereitstellung von allgegenwärtiger Konnektivität unersetzlich ist. Im Rahmen zahlreicher Messstudien, Testaufbauten und Implementierungsarbeiten entwickeln und validieren wir Methoden, die es erlauben, die Leistungsfähigkeit der für uns so kritischen Infrastruktur zu bewerten und zu optimieren.
- KonferenzbeitragIrren ist menschlich: Aber was, wenn Maschinen Fehler machen?(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Geirhos, RobertSeit Jahrzehnten wird unsere Gesellschaft immer stärker durch Informatik geprägt. Diese Entwicklung wird sich auch in Zukunft fortsetzen, nicht zuletzt durch den Einsatz von tiefen neuronalen Netzen, einem Teilgebiet der künstlichen Intelligenz. Wenn Maschinen mehr und mehr Entscheidungen treffen, heißt dies jedoch nicht, dass diese Entscheidungen auch für Menschen verständlich sind - ganz im Gegenteil. Das birgt das Risiko, dass das Tempo von Anwendungen schneller steigt als unser Verständnis anwächst. Um dieser Entwicklung entgegenzutreten und maschinelle Entscheidungsprozesse besser zu verstehen, habe ich Methoden entwickelt, mit denen Menschen und Algorithmen des maschinellen Lernens verglichen werden können. Am Beispiel der Objekterkennung zeigen sich einerseits fundamentale Unterschiede zwischen den beiden, andererseits aber auch Möglichkeiten, Unterschiede zu verringern. Irren ist menschlich - doch auch Maschinen machen Fehler. Umso wichtiger ist es, zu verstehen, wann und warum. Nur so kann sichergestellt werden, dass künstliche Intelligenz eine Bereicherung für unsere Gesellschaft ist.
- KonferenzbeitragAnalyse pathologischer Sprachsignale(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Aria-Vergara, TomásDiese Dissertation befasst sich mit der automatischen Analyse von Sprachstörungen, die aus einem klinischen Zustand (Morbus Parkinson und Hörverlust) oder dem natürlichen Alterungsprozess resultieren. Bei der Parkinson-Krankheit wird der Verlauf der Sprachsymptome anhand von Sprachaufzeichnungen bewertet, die kurzzeitig (4 Monate) und langfristig (5 Jahre) aufgenommen wurden. Verfahren des maschinellen Lernens werden verwendet, um drei Aufgaben zu erfüllen: (1) automatische Klassifizierung von Patienten vs. gesunden Sprechern. (2) Regressionsanalyse zur Vorhersage des Dysarthrie-Niveaus und des neurologischen Zustands. (3) Sprechereinbettungen zur Analyse des zeitlichen Verlaufs der Sprachsymptome. Bei Hörverlust wird eine automatische akustische Analyse durchgeführt, um zu beurteilen, ob die Dauer und der Beginn der Taubheit (vor oder nach dem Spracherwerb) die Sprachproduktion von Cochlea-Implantat-Trägern beeinflussen. Darüber hinaus zeigen Artikulations-, Prosodie- und Phonemanalysen, dass Cochlea-Implantat-Träger auch nach einer Hörrehabilitation eine veränderte Sprachproduktion aufweisen.
- KonferenzbeitragRequirements Engineering für Erklärbare Systeme(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Chazette, LarissaDigitale Systeme berühren fast alle Bereiche des alltäglichen Lebens, daher gewinnt die Qualität der Interaktion zwischen Menschen und Systemen immer stärker an Bedeutung. Erklärbarkeit bezeichnet die Fähigkeit eines Systems, Informationen zu geben, um einen bestimmten Aspekt eines Systems in einem bestimmten Kontext verständlich zu kommunizieren. Erklärbarkeit ist somit zu einer wichtigen Qualitätsanforderung geworden. Um Systeme zu entwickeln, müssen Softwareingenieure wissen, wie sie abstrakte Qualitätsziele in konkrete, reale Lösungen umsetzen können. Das Requirements-Engineering bietet hier einen strukturierten Ansatz, Qualitätsanforderungen besser zu verstehen und zu operationalisieren. Aktuell gibt es keine theoretische Basis und Empfehlungen für das Requirements Engineering, für den Entwurf von erklärbaren Systemen. Um diese Lücken zu schließen, schafft diese Dissertation zunächst die theoretische Basis und schlägt aufbauend darauf Maßnahmen vor.
- KonferenzbeitragExpressives und Effizientes Deep Learning auf Graph-Strukturierten Daten(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Fey, MatthiasDise Arbeit stellt neue Ansätze für das maschinelle Lernen auf unregelmäßig strukturierten Eingabedaten wie Graphen, Punktwolken und Mannigfaltigkeiten vor. Insbesondere löst sich diese Arbeit von der Beschränkung konventioneller Deep Learning-Techniken auf reguläre Daten und bietet Lösungen für den Entwurf, die Implementierung und die Skalierung von Deep Learning-Methodiken auf Graphen an, bekannt als Graph Neural Networks (GNNs). Wir analysieren die Beziehung von GNNs zu traditionellen Verfahren des Deep Learnings und der Graph-Theorie, entwickeln skalierungsfähige GNN-Lösungen und stellen die PyG-Bibliothek für die effziente Realisierung von GNNs vor.
- KonferenzbeitragInterpretation von Black-Box-Modellen im Maschinellen Lernen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Karim, RezaulKomplexe Modelle des maschinellen Lernens (ML) und tiefer neuronaler Netze (DNN) sind in der Regel weniger interpretierbar und werden zunehmend zu black-box Methoden. Bei der Verwendung eines Blackbox-Modells in vielen Situationen unakzeptabel (z. B. in klinischen Situationen, in denen KI erhebliche Auswirkungen auf das Leben von Menschen haben kann). Angesichts der sich schnell verändernden rechtlichen Rahmenbedingungen, wie z. B. der Datenschutzgrundverordnung (DSVGO) in der EU, sind Erklärbarkeit, Transparenz und Fairness wünschenswerte Eigenschaften von KI, die auch zu rechtlichen Anforderungen geworden sind. Erklärbare künstliche Intelligenz (XAI) zielt darauf ab, ML-Modelle transparenter und verständlicher zu machen, indem sie interpretiert, wie black-box Modelle Entscheidungen treffen. Ziel dieser Arbeit ist die Verbesserung der Interpretierbarkeit und Erklärbarkeit von black-box ML-Modellen. Wir schlagen einen neuro- symbolischen KI-Ansatz vor, der symbolische und konnektionistische KI-Paradigmen kombiniert: Ein konnektionistisches Modell lernt zunächst die Zuordnung von Eingaben zu Ausgaben, um die Vorhersagen zu erstellen, die dann mit Domänenwissen in einer schwach überwachten Weise validiert werden. Eine Domänenontologie und ein Wissensgraph (KG) werden durch die Integration von Fakten aus der wissenschaftlichen Literatur und Wissensdatenbanken erstellt. Eine Reasoning-Engine wird eingesetzt, um die Assoziation signifikanter Merkmale mit verwandten Klassen auf der Grundlage von Beziehungen im KG zu validieren. Schließlich werden evidenzbasierte Regeln durch die Kombination von Entscheidungsregeln, kontrafaktischen Fakten und Inferenz erstellt.
- KonferenzbeitragAutomatisierte Lösungsmethoden für Personalplanungsprobleme(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Kletzander, LucasProblemstellungen aus der realen Welt mit Optimierungsmethoden zu modellieren und zu lösen ist ein komplexer und schwieriger Prozess, da eine Vielzahl an Regeln und Zielen zu berücksichtigen sind, die teilweise nicht klar definiert sind und sich oft ändern. Leistungsfähige, maßgeschneiderte Methoden können diese Probleme effizient oder sogar optimal lösen, sind aber dann schwer an geänderte Rahmenbedingungen anpassbar. Im ersten Teil der Arbeit werden solche spezifischen Methoden entwickelt, um erweiterte und neue komplexe Problemstellungen zu lösen. Im zweiten Teil wird eine Architektur präsentiert, die es erlaubt, intervallbasierte Probleme auf allgemeine Weise darzustellen und flexibel auf Regeländerungen zu reagieren. Bausteine von Algorithmen können von allgemeinen Methoden aus der Klasse der Hyper-Heuristiken dynamisch zu effizienten Lösungsmethoden zusammengesetzt werden. Zahlreiche neue Bausteine werden zunächst mit be- stehenden Hyper-Heuristiken untersucht, schließlich wird eine neue Hyper-Heuristik basierend auf verstärkendem Lernen eingeführt, die sowohl höchst flexibel auf akademischen und realen Instanzen einsetzbar ist als auch über verschiedene Problemstellungen hinweg hochqualitative Lösungen liefert.
- KonferenzbeitragLogische Methoden für die Hierarchie der Hyperlogiken(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Hofmann, JanaDurch die immer prominenter werdende Rolle digitaler Systeme in unserem Alltag muss der Begriff der Korrektheit neu gedacht werden. Digitale Systeme werden in häufig sensiblen Bereichen eingesetzt; ein moderner Korrektheitsbegriff muss daher gesellschaftliche Aspekte wie Datenschutz- und Gerechtigkeitsfragen mit einschließen. Viele dieser Eigenschaften sammeln sich unter dem Dach der Hypereigenschaften, welche mehrere Ausführungen eines Systems in Relation setzen. Während rein pfadbasierte, nicht-relationale Eigenschaften in den letzten Jahrzehnten ausführlich erforscht wurden, sind Hypereigenschaften ein relativ junges Konzept, das noch nicht vollständig verstanden ist. Die hier vorgestellte Dissertation gliedert das Spektrum der Hypereigenschaften anhand einer Hierarchie von Logiken, die verschieden komplexe Klassen von Hypereigenschaften ausdrücken können. Diese Klassifizierung ermöglicht es, Hypereigenschaften unabhängig von ihren jeweiligen Einsatzgebieten zu analysieren und klare Grenzen der Entscheidbarkeit zu ziehen. Basierend auf der entstandenen Hierarchie beschreibt diese Dissertation Algorithmen für die Entwicklung formal korrekter Systeme am Beispiel von Smart Contracts.