Leichte Sprache
Projekt
Titel
Modellbildung aus Experimentaldaten: Maschinelles Lernen und Modellevaluierung unter Abhängigkeiten und Verteilungsverschiebungen (Modellbildung)
Kürzel
Modellbildung
Beginn
23.05.2018
Ende
31.07.2020
Koordinierendes Institut
Leibniz-Institut für Agrartechnik und Bioökonomie e.V. (ATB)
Koordination
Angesiedelt im Programmbereich
Zusammenfassung
Die Analyse experimentell gewonnener Daten bildet eine Säule des Erkenntnisgewinns in den Naturwissenschaften. Moderne Verfahren des maschinellen Lernens haben das Potential, aus sehr großen experimentell erhobenen Datensätzen komplexe Vorhersagemodelle abzuleiten und neue Zusammenhänge zwischen relevanten Variablen zu entdecken. Allerdings basieren methodische Werkzeuge des maschinellen Lernens überwiegend auf Unabhängigkeits- und Verteilungsannahmen, die experimentell gewonnene Daten in verschiedener Weise verletzen können. So werden Experimentaldaten oft durch die Wahl von Beobachtungsprotokollen und den Ort und Zeitpunkt der Messung beeinflusst, weil sich für einen spezifischen Standort, eine Region oder einen Messzeitraum charakteristische Faktoren in den Daten niederschlagen. Die gewonnenen Daten liefern daher ein Abbild der Wirklichkeit, das durch den Prozess der Messung geprägt ist.
Ziel des Projektes ist die Entwicklung von Verfahren des maschinellen Lernens, welche den experimentellen Beobachtungsprozess und die daraus resultierende Eigenschaften experimenteller Daten explizit abbilden. Dazu entwickeln wir Ansätze, um räumliche und zeitliche Verteilungsverschiebungen in experimentellen Daten in geeigneter Weise zu korrigieren; wir untersuchen die formalen Eigenschaften der resultierenden Verfahren und die Komplexität der zu lösenden Optimierungsprobleme. Ergebnisse des Projektes sollen zur Lösung von Modellbildungs- und Datenanalyseproblemen im Bereich der Präzisionslandwirtschaft und Präzisionstierhaltung genutzt werden. Beispielsweise variieren Daten im Pflanzenbau räumlich (innerhalb eines Feldes oder über ganze Anbauregionen) und zeitlich (über unterschiedliche Witterungsperioden oder Anbaujahre); in der Tierhaltung sind Daten durch die Variation über verschiedene Tierindividuen geprägt. Darüber hinaus arbeiten wir im Projekt mit Arbeitsgruppen aus der Geophysik und der kognitiven Psychologie zusammen.
Förderung
Deutsche Forschungsgemeinschaft (DFG)
Förderkennzeichen
LA3270/1-1
Förderprogramm
DFG Nachwuchsgruppe im Emmy Noether-Programm