Mathematische Grundlagen und statistisches Lernen

Die Stärkung der mathematischen Grundlagen moderner KI-Ansätze ist von größter Bedeutung, um deren Potenzial voll auszuschöpfen, aber auch, um ihre Grenzen zu verstehen. Viele neue Entwicklungen auf diesem Gebiet, wie beispielsweise Multi-Task-Lernen, generative KI oder große Sprachmodelle, werden eher heuristisch angewendet, und die Methoden werden oft ausschließlich auf der Grundlage von Versuch-und-Irrtum-Verfahren oder für spezifische Anwendungen optimiert, denen es an Generalisierbarkeit mangelt. Wir wollen hier Abhilfe schaffen, indem wir eine solide Grundlage für KI-Methoden und -Anwendungen schaffen.

Forschungsbereich

Wir entwickeln, erweitern und verfeinern mathematische Verfahren in drei Hauptbereichen:

• Unser Ziel ist ein umfassender, mathematisch fundierter Rahmen für das Lernen von Transformationsregeln in abstrakten Umschreibungssystemen
• Wir entwickeln neue Methoden für stochastische Modelle, um das häufig auftretende Problem von Ausreißern bei der Klassifizierung oder in stochastischen Zeitreihen anzugehen, und
• Wir treiben die Lerntheorie in verschiedener Hinsicht voran.

Neu entwickelte Methoden und Ansätze werden mit den Partnern von ScaDS.AI Dresden/Leipzig geteilt, um deren Forschung zu unterstützen. Insbesondere kooperieren wir mit den Partnern von ScaDS.AI Dresden/Leipzig in folgenden Bereichen:

• Biowissenschaften und Medizin,
• Erd- und Umweltwissenschaften,
• Big Data Analytik und -Technik,
• Wissensrepräsentation und Wissensmodellierung,
• Graph-basierte künstliche Intelligenz und
• Methoden und Hardware für Neuroinspirierte Datenverarbeitung.

Ziele

Zu den aufkommenden Themen, mit denen wir uns in unserer zukünftigen Arbeit befassen möchten, gehören beispielsweise:

• Entwicklung geometrischer Methoden zur Datenanalyse und zum Representationslernen
• Sprachmodelle für die Analyse sozialer Medien und die Philologie
• Kombination von KI- und auf natürlicher Intelligenz basierenden Zeitreihenmodellen
• Allgemeine Ansätze für Graphentransformationssysteme