Auflistung nach:
Auflistung D23 (2022) - Ausgezeichnete Informatikdissertationen nach Erscheinungsdatum
1 - 10 von 32
Treffer pro Seite
Sortieroptionen
- 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.
- 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.
- 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.
- KonferenzbeitragMultimodales Repräsentationslernen für diversifizierte Synthese(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Mahajan, ShwetaDie 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.
- 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.
- 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.
- 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.
- 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.
- KonferenzbeitragLernen mit differenzierbaren Algorithmen(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Petersen, FelixKlassische 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.
- KonferenzbeitragQoE Management Strategien für adaptives Videostreaming(Ausgezeichnete Informatikdissertationen 2022 (Band D23), 2023) Schwarzmann, SusannaDie Übertragung von Videos über das Internet ist immer noch ein komplexes, ungelöstes Problem. In dieser Doktorarbeit wird ein umfassendes Verständnis für Videostreaming erarbeitet. Mit Hilfe einer formellen mathematischen Beschreibung werden Möglichkeiten zu praktischen Verbesserung analysiert und anhand realistischer und detailgetreuer Untersuchungen das Potential dieser Verbesserungen gezeigt.