Multilabel Regellernen

• Antragsteller: Professor Dr. Eyke Hüllermeier; Dr. Eneldo Loza Mencía, seit 11/2019
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2018 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 400845550

Induktives Regel-Lernen ist eine der ältesten etablierten Forschungsrichtungen im Bereich des maschinellen Lernens. Regel-Lernalgorithmen werden typischerweise eingesetzt, wenn man nicht nur in genauen Vorhersagen interessiert ist sondern auch in einer interpretierbaren Theorie interessiert ist, die von den Fachexperten des Anwendungsgebietes verstanden, analysiert und qualitativ bewertet werden kann. Durch eine explizite Formalisierung der Muster und Regelmäßigkeiten die in den Daten implizit vorhanden sind, liefert eine regel-basierte Theorie im Idealfall neue Einsichten in die Anwendungsdomäne.Auf der anderen Seite gibt es zahlreiche Aufgaben in Bereich des maschinellen Lernens, bei denen für mehrere Variablen gleichzeitig Vorhersagen getroffen werden müssen, ein Problem, das als Multi-Target-Prädiktion bekannt ist. Multilabel-Klassifikation ist ein wichtiger Spezialfall, bei dem alle Ausgabe-Variablen binär sind. Aktuelle Methoden in diesem Gebiet sind in der Lage, Abhängigkeiten zwischen diesen Ausgabe-Variablen zu berücksichtigen, und dadurch die bessere Ergebnisse zu erzielen. Bisher floss jedoch wenig Forschung in das Lernen von expliziten Repräsentationen solcher Abhängigkeiten, was für sich genommen schon eine lohnenswerte Data Mining-Aufgabe wäre.Wir sind überzeugt, dass eine regelbasierte Sichtweise auf dieses Problem unser Verständnis erweitern und zu besseren praktischen Lösungen führen wird. Das Hauptziel dieses Projekts ist es daher, Forschung in den Bereichen Multilabel-Klassifikation und Regel-Lernen zusammenzuführen und skalierbare Regel-Lernalgorithmen für diese Problemklasse zu entwickeln. Durch die Arbeit im Schnittfeld dieser beiden Teilgebiete des maschinellen Lernens erwarten wir Beiträge zu beiden Gebieten. Allgemein gesprochen sind die Ziele des Projekts daher (i) einen vereinheitlichenden Rahmen zur Repräsentation unterschiedlicher Typen von Abhängigkeiten zwischen Labels zu finden und dessen Eignung für Multilabel-Klassifikation zu untersuchen, (ii) die algorithmischen Herausforderungen des Learnens von Multilabel-Regelmengen aus Daten zu meistern, und (iii) die prädiktive und deskriptive Mächtigkeit solcher Regeln im Vergleich zum Stand der Forschung zu evaluieren.

• DFG-Verfahren: Sachbeihilfen
• Ehemaliger Antragsteller: Professor Dr. Johannes Fürnkranz, bis 11/2019