Auflistung nach:
Auflistung D23 (2022) - Ausgezeichnete Informatikdissertationen nach Erscheinungsdatum
1 - 10 von 32
Treffer pro Seite
Sortieroptionen
- KonferenzbeitragDer vorhersagende Schwarm(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Kaiser, Tanja Katharina; Reischuk, RüdigerRoboterschwärme bieten im Vergleich zu monolithischen Robotern größeres Potenzial für Robustheit und Skalierbarkeit. Doch die Implementierung von Steuerungen für Roboterschwärme ist durch schwer vorhersehbare und schwer modellierbare Rückkopplungsprozesse herausfordernd. Eine vielversprechende Alternative ist die automatische Generierung der Steuerungen mithilfe evolutionärer Algorithmen. Die Belohnung für den Optimierungsprozess muss sorgfältig definiert werden, um ungewünschte Nebeneffekte zu vermeiden. Statt spezifische Roboterverhalten zu belohnen, kann eine aufgabenunabhängige Belohnung verwendet werden. So können vielfältige und innovative Schwarmrobotersteuerungen entstehen. In unserer aufgabenunabhängigen Minimize-Surprise-Methode (dt. etwa: Überraschungsminimierung) belohnen wir die Güte der Sensorvorhersagen der Schwarmroboter. Wir zeigen in simplen Simulationen und in Experimenten mit echten Robotern, dass vielfältige, robuste und skalierbare Schwarmverhalten im Optimierungsprozess als Nebenprodukt entstehen. Zudem zeigen wir auf, dass die Minimize-Surprise-Methode trotz ihres explorativen Charakters für ingenieurtechnische Problemlösung eingesetzt werden kann.
- KonferenzbeitragEine neurokognitive Perspektive auf Programmverständnis(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Peitek, Norman; Reischuk, RüdigerProgrammverständnis ist der kognitive Prozess des Verstehens von Code, der nur mit erheblichen Schwierigkeiten zuverlässig beobachtet werden kann. Diese Dissertation bedeutet für Software-Engineering einen Fortschritt durch ein besseres Erfassen von Programmverständnis mit Hilfe von neuartigen human-bildgebenden Verfahren, wie die funktionelle Magnetresonanztomographie (fMRT). Dazu wird ein Framework für Experimente zum Programmverständnis, die mit Human-Bildgebung, Psychophysiologie, Eyetracking und Verhaltensmethoden durchgeführt werden, entwickelt. Dieses bietet eine detaillierte, objektive und multimodale Sicht auf das Programmverständnis. Zudem wird der zugrunde liegende kognitive Prozess des Programmverständnisses durch den Einsatz des aufgestellten Frameworks analysiert, insbesondere des effizienten Top-Down-Verstehens von Code. Zusätzlich wird die Kognition beim Programmieren mit gängigen Komplexitätsmetriken von Code verknüpft und im Zusammenhang ausgewertet. Insgesamt wird demons triert, wie das entwickelte Framework und fMRT als Methode im Software-Engineering verwendet werden können, um in langjährigen Debatten objektive Daten zu bieten. Diese Dissertation bietet eine belastbare Grundlage für die weitere Untersuchung der neurokognitiven Perspektive auf das Gehirn von Programmierer*innen. Diese Perspektive ermöglicht eine kognitiv ausgerichtete Lehre, maßgeschneiderte Tools in der tagtäglichen Entwicklung von Software sowie eine objektivere Einschätzung von Fähigkeiten während des Einstellungsprozesses.
- KonferenzbeitragFew-Shot Learning mit Sprachmodellen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Schick, Timo; Reischuk, RüdigerWir untersuchen die für KI-Systeme essentielle Herausforderung des Few-Shot Learnings, also des Erlernens neuer Fähigkeiten aus möglichst wenigen Beispielen. Dazu entwickeln wir Methoden, die es vortrainierten Sprachmodellen ermöglichen, ausgehend von nur einer Handvoll an Beispielen neue Aufgaben zu lösen und neue Wörter zu verstehen. Für ersteres Problem basiert unser Ansatz auf der Idee, diesen Systemen textuelle Erklärungen der zu lösenden Aufgaben zur Verfügung zu stellen. Das resultierende Lernen aus Instruktionen ermöglicht es ihnen, neue Aufgaben menschenähnlicher zu erfassen und so deutlich weniger Beispiele zu benötigen. Um KI-Systemen neue Wörter beizubringen, lassen wir uns ebenfalls von Menschen inspirieren: Wir trainieren sie, durch Lernen aus Kontexten hochwertige Repräsentationen für neue Wörter zu bestimmen und so ihr Sprachverständnis zu verbessern.
- KonferenzbeitragTextvereinfachung & Open IE: Von Sätzen zur Bedeutungsdarstellung(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Niklaus, Christina; Reischuk, RüdigerModerne Systeme, die sich mit Inferenzen in Texten bescha ̈ftigen, benötigen automatisierte Methoden zur Extraktion von Bedeutungsrepräsentationen aus großen Textkorpora. Open Information Extraction (IE) ist eine führende Methode, um sämtliche in einem Text vorhandenen Relationen zu extrahieren. Open-IE-Ansätze haben sich im Laufe der Jahre weiterentwickelt, um Beziehungen zu erfassen, die über einfache Subjekt-Prädikat-Objekt-Tripel (SPO) hinausgehen. Dabei ist jedoch ein genauerer Blick auf die Extraktion von Verknüpfungen zwischen Klausen und Phrasen innerhalb eines komplexen Satzes vernachlässigt worden. Um diese Lücke zu schließen, wird ein neuartiges Open-IE-Framework vorgestellt, das komplexe Textdaten in eine leichtgewichtige semantische Repräsentation in Form von normalisierten und kontextwahrenden relationalen Tupeln transformiert. Das Framework nutzt einen diskursorientierten Ansatz, um komplexe Sätze in eine semantische Hierarchie von Minimalaussagen zu überführen. Diese weisen eine kanonische SPO- Struktur auf, wodurch die Extraktion von relationalen Tupeln erleichtert wird, was zu einer verbesserten Genauigkeit (engl. “precision”) (bis zu 32%) und einer höheren Erkennungsrate (engl. “re- call”) (bis zu 30%) der extrahierten Relationen in einem großen Benchmark-Korpus führt. Darüber hinaus wird der semantische Kontext der extrahierten Tupel in Form von rhetorischen Strukturen und hierarchischen Beziehungen erfasst. Auf diese Weise wird die oberflächliche semantische Darstellung aktueller Open-IE-Systeme mit zusätzlichen Metainformationen angereichert und so wichtige Kontextinformationen bewahrt, die zur Extraktion von korrekten, aussagekräftigen und kohärenten relationalen Tupeln erforderlich sind.
- KonferenzbeitragMultimodales Repräsentationslernen für diversifizierte Synthese(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Mahajan, Shweta; Reischuk, RüdigerDie Herausforderungen beim Erlernen multimodaler Repräsentationen ergeben sich aus der Heterogenität der verfügbaren Datensätze, bei denen die Informationen aus verschiedenen Modalitäten oder Bereichen stammen, z. B. aus visuellen oder textuellen Signalen. In dieser Arbeit entwickeln wir das Feld des multimodalen Repräsentationslernens für eine diversifizierte Synthese mit Anwendungen in den Domänen Sehen und Sprache sowie komplexer Bildverarbeitung weiter [Ma22]. Wir verfolgen einen probabilistischen Ansatz und nutzen tiefe generative Modelle, um die Multimodalität der zugrundeliegenden wahren Datenverteilung zu erfassen, was einen großen Vorteil beim Lernen aus nicht annotierten Daten bietet. Wir entwickeln ein gemeinsames tiefes generatives Framework, um die gemeinsamen Repräsentationen der beiden Verteilungen entsprechend der unterschiedlichen generativen Prozesse zu kodieren. Obwohl populäre tiefe generative Modelle wie GANs und VAEs für Bildverteilungen große Fortschritte gemacht haben, gibt es immer noch Lücken bei der Erfassung der zugrunde liegenden wahren Datenverteilung. Um die Einschränkungen zu beheben, konstruieren wir im zweiten Teil der Arbeit leistungsstarke so genannte “normalizing flows” und autoregressive Ansätze für Bildverteilungen.
- KonferenzbeitragRequirements Engineering für Erklärbare Systeme(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Chazette, Larissa; Reischuk, RüdigerDigitale 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.
- KonferenzbeitragLernen mit differenzierbaren Algorithmen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Petersen, Felix; Reischuk, RüdigerKlassische Algorithmen und maschinelle Lernsysteme wie neuronale Netze begegnen uns beide häufig im Alltag. Während klassische Algorithmen für die präzise Ausführung genau definierter Aufgaben wie dem Finden des kürzesten Wegs in einem Graphen geeignet sind, ermöglichen neuronale Netze das Lernen aus Daten, um die wahrscheinlichste Antwort in komplexeren Aufgaben wie der Bildklassifizierung vorherzusagen. Um das Beste aus beiden Welten zu vereinen, kombiniert diese Arbeit beide Konzepte, was zu robusteren, leistungsfähigeren, interpretierbareren, recheneffizienteren und dateneffizienteren Architekturen führt. Bei der Integration eines Algorithmus in eine neuronale Architektur ist es wichtig, dass der Algorithmus differenzierbar ist, sodass die Architektur Ende-zu-Ende trainiert werden kann. Um Algorithmen differenzierbar zu machen, präsentiert diese Arbeit ein allgemeines Verfahren zur stetigen Relaxierung von Algorithmen. Überdies präsentiert diese Arbeit konkrete differenzierbare Algorithmen wie differenzierbare Sortier-Netzwerke, diffe- renzierbare Renderer, und differenzierbare Logik-Gatter-Netzwerke.
- KonferenzbeitragInterpretation von Black-Box-Modellen im Maschinellen Lernen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Karim, Rezaul; Reischuk, RüdigerKomplexe 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.
- KonferenzbeitragKorrektheit von Datenflüssen in Asynchronen Verteilten Systemen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Gieseking, Manuel; Reischuk, RüdigerDie Korrektheit von informationstechnischen Systemen spielt aufgrund deren wachsenden Einbindung in unser alltägliches Leben eine zunehmend wichtige Rolle und ist nicht zuletzt für sicherheitskritische Systeme entscheidend. Insbesondere asynchrone verteilte Systeme sind, aufgrund ihrer Vielzahl von unabhängig voneinander agierenden Komponenten, ohne computergestützte Analysever- fahren schwer korrekt zu implementieren. In der Dissertation führen wir, basierend auf Petri-Netzen bzw. Petri-Spielen und CTL∗, neue Modellierungs- und Spezifikationsformalismen ein, die es ermöglichen, Anforderungen an den unbeschränkten lokalen Datenfluss in asynchronen verteilten Systemen zu stellen. Wir stellen Lösungsalgorithmen für die entsprechenden Modellprüfungs- und Syntheseprobleme zur Verfügung, zeigen deren Korrektheit und Komplexität und bieten Werkzeugunterstützung für Teilklassen dieser Probleme.
- KonferenzbeitragWürzburger Beiträge zur Leistungsbewertung verteilter Systeme(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Geißler, Stefan; Reischuk, RüdigerDie 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.