Anschlussprojekte | Sonderprojekte

Förderbeginn 01.01.2022

Personalisierte KI-Methoden für Heterogene sequenzielle Daten

Prof. Dr. Björn Eskofier
Friedrich-Alexander-Universität Erlangen-Nürnberg
Machine Learning and Data Analytics Lab

Prof. Stephan Mandt
University of California, Irvine
Bren School of Information and Computer Science


Heterogene sequenzielle Daten sind allgegenwärtig. Beispiele sind gemischte und unregelmäßig abgetastete Daten (Ereignis- und Sensordaten), die entweder von Maschinenflotten oder Patientenkohorten gesammelt werden. Die derzeitigen KI-Methoden berücksichtigen die Individualität (Maschinennutzung oder Patienten) nicht, da sie davon ausgehen, dass die Daten unabhängig und identisch verteilt sind (i.i.d.). Der Standard-KI-Ansatz trainiert ein einziges Modell auf den gesamten Datensatz, ohne individuelle latente Aspekte zu berücksichtigen, was oft zu unbefriedigenden Ergebnissen führt. Daher zielt die geplante Projektzusammenarbeit auf die Entwicklung personalisierter KI-Methoden zur Modellierung der persönlichen Maschinennutzung und der Patientenmerkmale ab. Denn in beiden Fällen soll ein KI-Modell als Entscheidungsunterstützungssystem dienen und daher einen Wert vorhersagen und ein Maß für die Unsicherheit angeben. Zusätzlich müssen Strategien zur effektiven Zusammenführung von Ereignissen und Sensorinformationen erforscht werden.