Die große Herausforderung bei der Modellierung von Umwelt- und komplexen physikalischen Systemen besteht darin, den Informationsengpass zu überwinden: Wie können wir umfangreiche 4D-Raum-Zeit-Dynamiken in Darstellungen komprimieren, die für Modelle des maschinellen Lernens (ML) geeignet sind, ohne dabei entscheidende Vorhersagekraft einzubüßen? Dieses Seminar befasst sich mit diesem grundlegenden Zielkonflikt. Wir werden Strategien zur Kodierung hochauflösender Daten (z. B. unter Verwendung von Autoencodern oder lokaler Merkmalsextraktion) diskutieren und Methoden zur prinzipienbasierten Dimensionsreduktion (wie fortgeschrittene PCA oder Manifold Learning) bewerten, um dem Fluch der Dimensionalität entgegenzuwirken. Entscheidend ist, dass sich der Vortrag darauf konzentriert, über Black-Box-Vorhersagen hinauszugehen, indem die Modellinterpretation in den Vordergrund gestellt und physikalisches Verständnis genutzt wird, um sicherzustellen, dass der komprimierte Merkmalsraum nicht nur effizient, sondern auch physikalisch aussagekräftig ist, was zu Modellen führt, die sowohl genau als auch vertrauenswürdig sind.
| Zutritt | öffentlich |
|---|---|
| Anmeldung | nicht erforderlich |
| Veranstaltende | PICAIS - Passau International Centre for Advanced Interdisciplinary Studies, Prof. Dr. Matthias Kranz |
| Veranstaltungs-Website | https://www.picais.uni-passau.de/en/news/news-report/public-lecture-representing-4d-dynamics-in-machine-learning |
| E-Mail (für Rückfragen) | david.sladek@uni-passau.de |
