Autor*innen mit den meisten Dokumenten
Auflistung nach:
Neueste Veröffentlichungen
- KonferenzbeitragPapierabruf, Zusammenfassung und Zitaterzeugung(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Gu, NianlongDiese Arbeit präsentiert ein integriertes System für effizienten Abruf, Zusammenfassung und Erzeugung von Zitaten wissenschaftlicher Literatur. Wir schlagen ein Zwei-Stufen- Zitationsempfehlungssystem vor, das Geschwindigkeit und Genauigkeit ausbalanciert. Darüber hinaus stellen wir ein leichtgewichtiges Modell auf Basis von verstärkendem Lernen vor, um wissenschaftliche Artikel effizient zusammenzufassen. Wir präsentieren auch ein steuerbares Modell zur Zitaterzeu- gung, das durch bestimmte Zitatattribute gesteuert wird. Schließlich werden diese Teilsysteme in einer benutzerfreundlichen Benutzeroberfläche vereint, die zur KI-gesteuerten wissenschaftlichen Schlussfolgerung beiträgt und Autoren beim wissenschaftlichen Schreiben unterstützt.
- KonferenzbeitragVisuelle Erklärungen hochdimensionaler und zeitabhängiger Prozesse(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Hinterreiter, AndreasErkenntnisgewinn aus Daten ist die Hauptmotivation sowohl für Forschung im Bereich der Datenvisualisierung als auch im maschinellen Lernen. Die Mittel, mit denen dieses Ziel erreicht werden soll, unterscheiden sich jedoch erheblich zwischen diesen Feldern. Während das maschinelle Lernen in der Regel versucht Entscheidungen zu automatisieren, rückt die Visualisierung den Menschen in den Mittelpunkt. Eine Kombination dieser unterschiedlichen Ansätze kann Nutzer:innen dabei unterstützen, effektive Einblicke in Daten zu erhalten. Diese Dissertation fasst die Ergebnisse aus fünf Arbeiten zusammen, in denen Visualisierung und maschinelles Lernen kombiniert werden – mit Fokus auf zeitliche und/oder hochdimensionale Prozesse. Dabei spannen diese Arbeiten den Bogen von Visualisierungen zur Modellanalyse bis hin zur Datenverarbeitung für Visualisierung.
- KonferenzbeitragFairness in Rankings(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Zehlike, MeikeKünstliche Intelligenz und selbstlernende Systeme spielen eine immer größer werdende Rolle in unserem Alltag. Rankings stellen dabei das wesentliche Instrument unserer Onlinesuche nach Inhalten, Produkten, Freizeitaktivitäten und relevanten Personen dar. Die Reihenfolge der Suchergebnisse bestimmt somit nicht nur die Zufriedenheit der Suchenden, sondern auch die Chancen der Sortierten auf Bildung, ökonomischen und sogar sozialen Erfolg. Diskriminierende Rankings erzeugen nicht nur unmittelbare Nachteile, sondern führen auch zu nachteil-verstärkenden Feedbackschleifen. Die vorliegende Arbeit adressiert drei wichtige Herausforderungen, die im Kontext algorithmischer Diskriminierung durch Ranking-Systeme auftreten: Die ethischen Ziele verschiedener Ranking-Situationen müssen mit denjenigen übereinstimmen, die in Ranking-Algorithmen implizit kodiert sind. Zweitens müssen ethische Wertesysteme in Mathematik und Algorithmen zu übersetzt werden, um Ranking-Algorithmen zur Vermeidung von Diskriminierung bereitzustellen. Drittens sollten diese Methoden einem breiten Publikum zugänglich sein, das sowohl Programmiererinnen, als auch Juristinnen und Politikerinnen umfasst.
- 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.
- KonferenzbeitragDissertationspreis 2022, Komplettband(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023)
- 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.
- KonferenzbeitragKorrektheit von Datenflüssen in Asynchronen Verteilten Systemen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Gieseking, ManuelDie 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.
- KonferenzbeitragGeneralisierte Synchronisation endlicher Automaten(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Wolf, PetraEndliche Automaten begegnen uns u ̈berall im Alltag, von der Steuerung der Kaffeemaschine über den Aufzug bis hin zu autonomen Systemen. Synchronisierende Wörter agieren hierbei als ein Software-Reset, eine Sequenz von Befehlen, die den Automaten von jedem Zustand aus in den gleichen Zustand überführt. Hierbei ist es wünschenswert eine gewisse Kontrolle u ̈ber die Aktionen eines synchronisierenden Wortes zu behalten. Wir untersuchen daher die Komplexität der Frage, ob ein endlicher Automat ein synchronisierendes Wort besitzt, unter verschiedenen Einschränkungen, wie beispielsweise, dass das Wort aus einer bestimmten Sprache stammen muss, oder, dass die Sequenz der durchlaufenen Zustände eingeschränkt wird. Anschließend generalisieren wir das Konzept synchronisierender Automaten auf das mächtigere Berechnungsmodell des Kellerautomatens. Im letzten Teil der Arbeit untersuchen wir, inwiefern sich ein endlicher Automat vereinfachen lässt, indem wir die akzeptierte Sprache eines Automatens in den Schnitt simplerer Sprachen zerlegen.
- 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.
- KonferenzbeitragTextvereinfachung & Open IE: Von Sätzen zur Bedeutungsdarstellung(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Niklaus, ChristinaModerne Systeme, die sich mit Inferenzen in Texten beschäftigen, 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.