Lernen mit unsicheren Lehrersignalen in neuronalen Mehrklassifikatorsystemen
Zusammenfassung der Projektergebnisse
Methoden zum Lernen in künstlichen neuronalen Netzen mit unsicheren Lehrersignalen sind im Rahmen dieses Forschungsprojektes weiterentwickelt und statistisch evaluiert worden. Die zentrale Fragestellung hierbei war die Repräsentation und Interpretation unsicherer Lehrersignale und Klassifikatorausgaben. Insbesondere haben unsichere Klassifikatorausgaben in Mehrklassifikatorsystemen bei ihrer Fusionierung zu einer finalen Entscheidung wesentlichen Einfluss auf die Performanz des Gesamtsystems. Ein weiterer sehr wichtiger Aspekt dieses Forschungsprojektes war die Entwicklung und Evaluation von kombinierten überwachten und unüberwachten Lernverfahren. Partiell überwachte Lernverfahren, beispielsweise aktive Lernverfahren und semi-überwachte Lernverfahren wurden in diesem Zusammenhang ebenfalls für Mustererkennungsaufgaben untersucht. Zentrale Idee war und ist hierbei teilweise gelabelte Trainingsdaten zu nützen. Unsicherheitskalküle, wie die Fuzzy-Methoden, Wahrscheinlichkeits- oder Dempster-Shafer-Theorie haben den theoretischen Rahmen bei der Entwicklung von Lernverfahren mit teilweise gelabelten- bzw. unsicheren Trainingsdaten gebildet. Außerdem sind diese Unsicherheitskalküle auch bei der Konstruktion von Fusionsabbildungen in Mehrklassifikatorsystemen von großer Bedeutung gewesen. Durch den Erfolg unseres Fuzzy-Support-Vektor-Maschinen Lernverfahrens zur Verarbeitung von Mustern mit Fuzzy-Lehrersignalen haben sich zahlreiche Anwendungen und auch Kooperationen ergeben. Auf der internationalen Konferenz KES 2007 in Salemo haben wir für unseren Beitrag den Best Paper Award (aus 411 Beiträgen) gewonnen. Besonders erwähnt werden soll die sehr enge Kooperationen mit der Universität von Salerno im Bereich der Klassifikation von Satellitenbilddaten. Ein zentrales Problem hierbei ist die Verarbeitung der sogenannten gemischten Pixel, also der Pixel, die nicht eindeutig einer einzelnen Kategorie zugeordnet werden können. In Zusammenarbeit mit Dr. Ferdinando Giacco von der Universität Salerno konnten unsere Fuzzy-Lernverfahren nun sehr erfolgreich für dieses Problem angewendet werden. Wir konnten unsere Erfahrungen auch in einem internationalen Wettbewerb des Data Fusion Technical Committee (DTFC) der iEEE Geoscience and Remote Sensing Society sehr erfolgreich einsetzen - unsere Lösung hat sich auf Platz vier in der finalen offiziellen Top-5 Gewinnergruppe platzieren können. Ein weiteres wichtiges Anwendungsszenario für unsere Lernverfahren war und ist die Erkennung von Emotionen in der Mensch-Maschine-Interaktion, im Rahmen dieses Forschungsvorhabens vor allem für die Verarbeitung und Erkennung prosodischer Sprache. In Mustererkennungsaufgaben der Mensch-Maschine-Interaktion treten auch unsichere Lehrersignale (Klassifikationslabel) sehr häufig auf, da beispielsweise der emotionale Zustand eines Menschen meist nur schwer und vor allem nicht eindeutig einzuordnen ist, etwa wenn die Einschätzung der vorliegenden Emotion von mehreren unabhängigen Personen vorgenommen wird. Ein weiteres wichtiges Ziel dieses Kooperationsprojektes war neben den methodischen Forschungszielen auch der Ausbau unserer Forschungsbeziehungen zu den ägyptischen Universitäten und Forschungseinrichtungen in Kairo, insbesondere der Cairo University, der Nile University und der German University of Cairo.
