Theorie der tiefen Anomalieerkennung

• Antragsteller: Professor Dr. Marius Kloft
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 464252197

Anomalieerkennung ist ein fundamentales Problem des Machinellen Lernens mit Anwendungen in der Fehlererkennung und Qualitätskontrolle in Produktionsprozessen, in der Sicherung digitaler Systeme und in Frühwarnsystemen. Durch den Einsatz tiefer Neuronaler Netze sind viele komplexe Benchmarks praktisch effektiv gelöst. Dennoch gibt es kaum Theorie diese Ergebnisse zu erklären und die Methoden zu analysieren. Dies gilt insbesondere für die Anomalieerkennung, deren Theorie sich größtenteils auf nicht-tiefe Methoden beschränkt. Das Ziel dieses Projekts ist die Entwicklung einer Theorie für tiefe Anomalieerkennung. Eine solche Theorie wird es ermöglichen, bestehende Methoden zu verstehen und neue Methoden zu entwickeln. Aufgrund fehlender expliziter Charakterisierung der Verteilung, der die anomalen Daten unterliegen, lassen sich existierende Resultate nicht einfach auf Anomalieerkennung anwenden. Es müssen neue Wege beschritten werden: Es müssen neue Werkzeuge entwickelt werden, und es müssen neue Herangehensweisen erdacht werden. In diesem Projekt beschreiben wir unser Vorhaben, eine Theorie für die tiefe Anomalieerkennung zu entwickeln. Das Programm umfasst Schranken für die Performanz und Garantien für die Konvergenz mit endlich und unendlich vielen Daten. Hierzu beziehen wir den Optimierungsalgorithmus explizit in die Analyse ein, um letztendlich praktisch relevante Schranken zu finden. Aktuelle Methoden weichen bewusst von der bisher fundamentalen Annahme ab, dass Anomalien uniform verteilt sind, und erzielen konsistent herausragende Ergebnisse. Basierend auf unserer Konsistenzanalyse werden wir diese Annahme und deren Folgen reevaluieren. Dies wird uns erlauben auch moderne Methoden in unsere Theorie zu integrieren.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2298: Theoretische Grundlagen von Deep Learning