Erklärbare KI II (XAI II)

Projektgruppe: Master

Sprache: Englisch

Während herkömmliche maschinelle Lernmodelle oft Black Boxes darstellen, deren Vorhersagen für den Menschen kaum nachvollziehbar sind, machen White Box-Modelle ihre Vorhersagen auf transparente Weise. Solche White-Box-Modelle sind besonders vielversprechend für die Anwendung auf Wissensgraphen, die Wissen in einer für den Menschen lesbaren Form darstellen, z.B. als Subjekt-Prädikat-Objekt-Tripel wie („Paderborn“, „hat Bürgermeister“, „Michael Dreier“) oder („Paderborn“, „hat Bevölkerung“, „151.633“). Beliebte Beispiele für Wissensgraphen sind DBpedia, YAGO und Wikipedia, und sie werden von Suchmaschinen wie Google, Bing und Yahoo intensiv genutzt. Es gibt zwar erste Ansätze für das Erlernen verständlicher Regeln (z. B. EvoLearner, siehe unten), aber sie lassen sich noch nicht auf reale Wissensgraphen mit Millionen von Tripeln übertragen. Das Ziel dieser Projektgruppe ist es, neuartige Algorithmen zu entwickeln, um Regeln aus positiven und negativen Beispielen in Wissensdatenbanken auf skalierbare Weise zu lernen.

Verwandte Arbeiten:

  • Heindorf, S., Blübaum, L., Düsterhus, N., Werner, T., Golani, V. N., Demir, C., and Ngomo, A. C. N. (2022). EvoLearner: Learning Description Logics with Evolutionary Algorithms. Accepted at WWW'22. arXiv preprint arXiv:2111.04879. https://arxiv.org/pdf/2111.04879.pdf

 

An­s­prech­part­ner

business-card image

Dr. Stefan Heindorf

Data Science Junior Research Group

Junior Research Group Leader Data Science

Write email