EML4U

Logo

View My GitHub Profile

EML4U: Erklärbares Maschinelles Lernen für interaktive episodische Updates von Modellen

Kurzvorstellung

Mit Maschinellem Lernen (ML) lassen sich anhand von Daten komplexe Zusammenhänge modellieren. Somit können aufwändige und oft grob vereinfachte mathematische Modellierungen bestimmter Gegebenheiten umgangen werden. Außerdem eröffnet sich zudem eine neuartige Funktionalität: ML-Modelle können datengetrieben an geänderte Anforderungen und Bedingungen angepasst werden. Um eine regelmäßige Anpassung zu erreichen, werden Daten während des Gebrauchs eines Modells gesammelt und das Modell unter Berücksichtigung dieser Information neu trainiert, es findet also ein episodisches Update des ML-Modells statt.

Veranstaltungen

2022 All-Hands-Meeting of the BMBF-funded AI Research Projects

EML4U Poster

Sie finden uns hier: Session 3, Raum D, Poster D45, 13:00 Uhr, AI Explainability and Transparency. Direkte Kontakte: Adrian Wilke (Universität Paderborn, DICE), Robert Feldhans (Universität Bielefeld, CoR-Lab), Barbara Hammer (Universität Bielefeld, CoR-Lab), Eyke Hüllermeier (Universität Paderborn, ISML; Ludwig-Maximilians-Universität München), Axel Ngonga (Universität Paderborn, DICE).

Publikationen

Partner

Förderung

Gefördert vom Bundesministerium für Bildung und Forschung (BMBF) / DLR Projektträger im Bereich Erklärbarkeit und Transparenz von KI.