Lernalgorithmen zur Konstruktion neuer relationaler Strukturen einer gegebenen Klasse

• Antragsteller: Professor Dr. Thomas Gärtner
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2009 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 149669013

In dieser Nachwuchsgruppe untersuchen wir, wie Maschinen lernen können, neue relationale Strukturen zu entwerfen, deren Eigenschaften nur implizit, durch Trainingsbeispiele, gegeben sind. Traditionell werden maschinelle Lernverfahren eingesetzt, um die Eigenschaften vorgegebener Strukturen zu schätzen. In vielen Anwendungen ist das zugrundeliegende Problem allerdings das Inverse des konventionellen maschinellen Lernproblems: Anstatt die Klasse bestimmter Strukturen vorherzusagen, sollen tatsächlich Strukturen mit erwünschten Eigenschaften vorgeschlagen werden. Relationale Strukturen werden sehr häufig benutzt, um die Zusammensetzung komplexer Objekte aus einfacheren Komponenten zu modellieren oder die Veränderung von Objekten in Raum und Zusammensetzung zu beschreiben. Für relationale Strukturen wie zum Beispiel räumliche Routen oder chemische Verbindungen, wurden maschinelle Lernverfahren bereits erfolgreich dazu eingesetzt, die Eigenschaften vorgegebener Strukturen zu schätzen. Zum Beispiel kann vorhergesagt werden, ob eine chemische Substanz gegen eine bestimmte Krankheit wirkt oder ob eine räumliche Route typisch für eine bestimmte Zugvogelart ist. Die eigentliche Herausforderung ist es aber neue, hoch-potente Wirkstoffe aus der Menge aller synthetisierbaren Moleküle vorzuschlagen oder eine möglichst typische Route vorherzusagen. Die Hauptschwierigkeit dieses neuen, konstruktiven Maschinellen Lernens liegt in der großen Zahl möglicher Kandidatstrukturen. Um dieser Schwierigkeit zu begegnen, werden wir effiziente Berechnungsformeln für bestimmte Zählfunktionen herleiten, um neue Lernalgorithmen basierend auf der regularisierten Risikominimierung zu entwickeln. Die beantragte Forschung verspricht, Maschinelles Lernen als eine Schlüsseltechnologie weit über seine bisherigen Grenzen voranzutreiben. Die zu erwartenden Vorteile durch solche Techniken sind sehr weitreichend, da sie für ein großes Spektrum von Anwendungen wie der pharmazeutischen Wirkstoffforschung zu günstigeren und schnelleren Entwicklungen führen können.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen