Modellbasierte Erkennung und Analyse von Anomalie-Mustern in ubiquitären und sozialen Interaktions-Netzwerken II (MODUS II)

• Antragsteller: Professor Dr. Martin Atzmüller
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 316679917

Anomalie-Detektion in ubiquitären und sozialen Interaktionsnetzwerken ist eine wichtige und anspruchsvolle Aufgabe, insbesondere im Hinblick auf komplexe (Gruppen-)Anomalien und die Entdeckung interpretierbarer Muster. Im Allgemeinen können Anomalien als Punkte oder Muster in den Daten betrachtet werden, die nicht mit einer wohldefinierten Vorstellung von normalem Verhalten einhergehen. Allerdings gibt es oft keine klare Formalisierung des "Normalverhaltens". Darüber hinaus zielt die derzeitige Forschung meist auf Punktanomalien ab, d. h. nur auf einzelne Datenpunkte; Anomalien mit einer komplexeren Struktur, z. B. Gruppenanomalien, werden dabei nicht berücksichtigt. Der Schwerpunkt des Projekts liegt auf komplexen Informations- und Wissensprozessen in ubiquitären und sozialen Interaktionsnetzwerken. Hier werden Methoden zur modellbasierten Identifikation von Anomalie-Mustern untersucht und entwickelt, d.h. unter Verwendung von explizit formalisierten Referenzmodellen für normale (und/oder abnormale) Interaktionen. Dazu gehören insbesondere dynamisch attributierte Interaktionsnetzwerke, z.B. soziale Online- und Offline-Netzwerke, sozio-räumlich-sensorbasierte Netzwerke sowie cyber-physikalische industrielle Netzwerkstrukturen. Mit den entsprechenden modellbasierten Repräsentationen ist es dann möglich, abnormale Muster genauer zu erkennen, Artefakte zu reduzieren und die Transparenz zu erhöhen. Ermöglicht wird dies durch erklärbare Methoden des maschinellen Lernens und der Datenanalyse. Als wesentliches Ergebnis des Projekts werden entsprechende maschinelle Lern- und Datenanalysemethoden hinsichtlich der modellbasierten Anomalie-Detektion entwickelt, so dass komplexe Netzwerkdaten umfassend modelliert und analysiert werden können und gleichzeitig die Anwendbarkeit, Transparenz und Verständlichkeit der angewandten Ansätze erhöht wird.

• DFG-Verfahren: Sachbeihilfen