10.12.2018

Informatik-Kolloquium

Im Wintersemester 2018/2019 findet auf Einladung von Prof. Dr. Sebastian von Mammen der folgende Vortrag statt:

Montag, 10. Dezember 2018, 14.15 Uhr, Hörsaal 4, Nat.Wiss. HS-Bau, Am Hubland

Anthony Stein, M.Sc.
Lehrstuhl für Organic Computing
Institut für Informatik
Universität Augsburg

 

Wissenslücken in Selbst-lernenden Adaptiven Systemen

Abstract:

Heutige technische Systeme weisen oftmals bereits (Selbst-)Adaptions- und weitere, sogenannte Selbst-x-Eigenschaften auf, um den komplexitätsbedingten stetig wachsenden Anforderungen moderner Einsatzgebiete, wie beispielsweise dem (Industrial) Internet of Things oder intelligenten Verkehrsmanagementsystemen, gerecht zu werden. Die resultierenden Selbst-adaptiven Systeme (SAS) sollen hierdurch in die Lage versetzt werden, auf zur Entwurfszeit unvorhergesehene Systemzustände robust, d.h. ohne eine zu langanhaltende und starke Degradierung der Leistungsfähigkeit, und selbstständig zu reagieren. Um dieses autonome Verhalten zu erreichen, wird die Fähigkeit des Selbst-lernens daher heute als essentieller Bestandteil von SAS verstanden. Dadurch erlangen SAS die Fertigkeit, Wissen zur Laufzeit aufzubauen und basierend darauf selbstständig adäquate Reaktionen auf sich ändernde (Umwelt-)Gegebenheiten anzustoßen. Bestärkendes Lernen (engl. Reinforcement Learning) stellt hierbei ein sehr vielversprechendes Paradigma des maschinellen Lernens dar, da es sowohl neues Wissen zur Laufzeit akquiriert, als auch auf Basis von Feedback bestehendes Wissen fortlaufend bewertet. Der dadurch entstehende Wissensschatz eines selbst-lernenden SAS ist zunächst unvollständig und unterliegt naturgemäß kontinuierlicher Anpassung – mit anderen Worten: Wissenslücken treten zum Vorschein.

Dieser Vortrag widmet sich der wissenschaftlichen Fragestellung, wie SAS zur Systemlaufzeit auf lückenhafte Wissensbasen reagieren können, um negative Einflüsse auf die Leistungsfähigkeit abzumildern oder gar zu unterdrücken. Dreh- und Angelpunkte sind dabei das automatisierte Erkennen und Schließen der Wissenslücken. Insbesondere werden für letzteren Aspekt Interpolationsmethoden für gestreute Daten in ein regelbasiertes, evolutionäres maschinelles Lernverfahren integriert, welches bereits in etlichen Echtweltszenarien eingesetzt wurde. Ein Ausblick auf aktuelle Forschungsbestrebungen weg von dem vorherrschenden reaktiven, hin zu einem proaktiven Wissensaufbau unter der Verwendung von Konzepten des Aktiven Lernens rundet den Vortrag ab und lässt Raum für anschließende Diskussionen.

Homepage:

https://www.informatik.uni-augsburg.de/lehrstuehle/oc/mitarbeiter/stein/