Recent Research Projects
ITS.ML: Intelligente Technische Systeme der nächsten Generation durch Maschinelles Lernen
Ziel von ITS.ML ist es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) nachhaltig verfügbar zu machen. Ein besonderer Fokus liegt dabei auf die Etablierung von ML als Service für kleine und mittlere Unternehmen (KMU).
Funding: German Ministry of Education and Research, BMBF (08/2018--07/2021)
Contact: Eyke Hüllermeier
Cooperation: Bielefeld University, Bielefeld University of Applied Sciences, University of Applied Sciences Ostwestfalen-Lippe.
EML4U: Erklärbares Maschinelles Lernen für interaktive episodische Updates von Modellen
Mit Maschinellem Lernen (ML) lassen sich anhand von Daten komplexe Zusammenhänge modellieren. Somit können aufwändige und oft grob vereinfachte mathematische Modellierungen bestimmter Gegebenheiten umgangen werden. Außerdem eröffnet sich zudem eine neuartige Funktionalität: ML-Modelle können datengetrieben an geänderte Anforderungen und Bedingungen angepasst werden. Um eine regelmäßige Anpassung zu erreichen, werden Daten während des Gebrauchs eines Modells gesammelt und das Modell unter Berücksichtigung dieser Information neu trainiert, es findet also ein episodisches Update des ML-Modells statt.
Funding: BMBF (06/2020 - 05/2022)
Contact: Eyke Hüllermeier
Cooperation: Barbara Hammer (Bielefeld University) and Semalytix GmbH (Bielefeld)
it's OWL: ARISE: Artificial Intelligence in der Produktionsplanung und -steuerung
ARISE ist ein Projekt im Rahmen des Technologie-Netzwerk it‘s OWL, das von dem Fraunhofer-lnstitut für Entwurfstechnik Mechatronik (IEM) und der Fachgruppe "Intelligente Systeme und Maschinelles Lernen" als Forschungspartner und dem Kartonagen-Hersteller Josef Schulte GmbH aus Delbrück als Industriepartner sowie weiteren internationalen Partnern bearbeitet wird. Das Projekt untersucht, wie Methoden der Künstlichen Intelligenz (KI) für die Produktionsplanung und -steuerung adaptiert und eingesetzt werden können. Anhand konkreter Anwendungsszenarien soll eine Methodik zur Spezifikation und Umsetzung von KI in Unternehmen entworfen und erprobt werden. ImFokus stehen dabei die Aspekte Präferenzlernen (Methoden zum Lernen von Präferenzmodellen und (latenten) Nutzenfunktionen), datengetriebene Optimierung (Maximierung langfristiger Performance durch z.B. Bayessche Optimierung) und Integration von Expertenwissen (hybride Lösungsansätze) im Kontext der Produktionsplanung und -steuerung. Ein besonderer Schwerpunkt ist die Umsetzung und Validierung der Methoden für die konkreten Use Cases.
Funding: German Ministry of Education and Research, BMBF (08/2020--07/2023)
Contact: Eyke Hüllermeier
Cooperation: Fraunhofer IEM (Paderborn) and Josef Schulte GmbH
Smart-GM: Intelligentes Assistenzsystem zur Unterstützung der digitalen Transformation von Geschäftsmodellen
Die Fähigkeit, innovative Geschäftsmodelle für die eigenen Produkte und Dienstleistungen zu entwickeln, ist von zentraler Bedeutung für jedes Unternehmen. Gleichzeitig tun sich jedoch insbesondere viele kleine und mittlere Unternehmen (KMU) schwer damit, den abstrakten Begriff „Geschäftsmodellinnovation“ mit Leben zu füllen, d. h. Geschäftsmodellinnovationen zielgerichtet und systematisch zu entwickeln. Dadurch steigt das Risiko, dass innovative Produkte und Dienstleistungen nicht erfolgreich vermarktet werden – was wiederum der Wettbewerbsfähigkeit der Unternehmen schadet und dadurch Arbeitsplätze sowie gesellschaftlichen Wohlstand gefährdet.
Zwar existieren bereits Methoden, die dabei helfen, Geschäftsmodellinnovationen zu entwickeln. Diesen Methoden gemein ist jedoch, dass sie „passiv“ sind und ihre Anwender nicht „aktiv“ mit Vorschlägen für passende Geschäftsmodellideen unterstützen. Der Nutzen der Methoden hängt somit vollständig von den Fähigkeiten der Anwender ab: Das führt dazu, dass insbesondere Anwender mit begrenzter Erfahrung in der Innovation von Geschäftsmodellen (was häufig bei KMUs der Fall ist) nur begrenzt von den existierenden Methoden profitieren.
Das Projektziel ist es, die Fähigkeit zur Innovation von Geschäftsmodellen bei den beteiligten Unternehmen und einer möglichst großen Anzahl weiterer Unternehmen in NRW und darüber hinaus substanziell zu verbessern. Dazu soll ein Ansatz entwickelt werden, der basierend auf der Integration von künstlicher Intelligenz und Crowdsourcing dem Nutzer aktiv passende Geschäftsmodell-Ideen vorschlägt. Konkret soll zunächst ein domänenübergreifendes Metamodell zur Abbildung relevanter Eigenschaften von Geschäftsmodell-Ideen entwickelt werden. Darauf aufbauend soll eine forschungs-prototypische Umsetzung des Assistenzsystems erfolgen, dessen Fähigkeiten umfassend mittels qualitativer Methoden und quantitative Methoden - evaluiert werden. Insgesamt soll im Projektvorhaben ein Assistenzsystem entwickelt werden, dass die Fähigkeit zur Innovation von Geschäftsmodellen für eine breite Masse von Unternehmen – und insbesondere auch Unternehmen mit begrenzter Erfahrung in der Innovation von Geschäftsmodellen – verbessert.
Funding: European Union and State North Rhine-Westphalia (01/2020--12/2022)
Contact: Eyke Hüllermeier
Cooperation: Software Innovation Campus Paderborn and industry partners (myconsult, UNITY, WP Kemper, aXon)
Automatisierte Schwachstellenanalyse von kryptographischen Protokollen (AutoSCA)
Das AutoSCA Projekt untersucht die automatisierte Sicherheitsanalyse von kryptographischen Protokollen gegen Seitenkanalangriffe und die automatisierte Erkennung von Seitenkanälen auf Netzwerkprotokollebene mithilfe moderner ML-Verfahren. Ziel ist die Entwicklung eines ML-basierten Pentesting Tools für kryptographische Protokolle, welches hochanspruchsvolle Tests automatisiert durchführt und aussagekräftige Reports erzeugt. Das Tool wird von Phase zu Phase inkrementell erweitert. Im Rahmen von AutoSCA werden methodisch neue Techniken zur KI-basierten automatischen Erkennung von kryptographischen Seitenkanälen erforscht und weiterentwickelt. Darauf aufbauend wird ein prototypisches Werkzeug zur automatisierten Erkennung von komplexen kryptographischen Angriffstechniken implementiert.
Funding: German Ministry of Education and Research, BMBF (04/2020 -- 03/2023)
Contact: Eyke Hüllermeier
Cooperation: Tibor Jager (University of Wuppertal) and achelos GmbH (Paderborn).
KI-Marktplatz: Das Ökosystem für Künstliche Intelligenz in der Produktentstehung
Ansätze der künstlichen Intelligenz (KI) sind wesentlicher Innovationstreiber für die Produkte von morgen. Unternehmen nutzen KI heutzutage bereits, um z.B. nutzenbasierte Werbeanzeigen beim Online-Shopping zu erstellen oder Bilderkennungsverfahren zu optimieren. KI-Verfahren bieten Unternehmen darüber hinaus jedoch bahnbrechende Möglichkeiten für die Verbesserung ihrer Produkte, Dienstleistungen und Produktionsprozesse. Dabei kann nicht nur die Funktionsweise von Produkten oder Produktionsanlagen durch KI verbessert werden, sondern auch deren Entstehungsprozess. KI-Ansätze können hier einen wesentlichen Mehrwert für eine effizientere und qualitativ hochwertigere Entwicklung liefern: Richtig eingesetzt, eröffnet KI neue Möglichkeiten zur Datenauswertung und ebnet den Weg zur Entwicklung innovativer, stark verbesserter Produkte mit erheblich gesteigertem Kundenwert. Zur Erschließung dieser Potentiale, mangelt es Unternehmen jedoch häufig an ausreichender Expertise. Anbietern von KI-Anwendungen wiederum fehlt der Zugang zu Domänenwissen, um Lösungen für konkrete Probleme der Unternehmen zu entwickeln.
Im Projekt KI-Marktplatz entsteht ein Ökosystem für Künstliche Intelligenz in der Produktentstehung. Dreh- und Angelpunkt des Ökosystems ist eine gleichnamige digitale Plattform. Die Plattform bringt KI-Experten, Lösungsanbieter und produzierende Unternehmen zusammen und fördert gemeinsame Innovationen. Im Rahmen des Projekts wird die digitale Plattform aufgebaut und sukzessive um Funktionalitäten erweitert, die eine gemeinsame Entwicklung von KI-Lösungen für die Produktentstehung und eine Bereitstellung dieser Lösungen ermöglichen. Angefangen bei einer intelligenten Partnervermittlung für Anwendungsfälle von KI in der Produktentstehung, über einen Datenraum für die Produktentstehung bis hin zu einem Baukasten für die KI-Entwicklung stellt der KI-Marktplatz den Akteuren auf der Plattform essentielle Werkzeuge zur Entwicklung innovativer KI-Lösungen bereit. Dabei setzt der KI-Marktplatz auf ein vertrauensbasiertes Konzept mit einer entsprechenden IT-Architektur, die Datensouveränität und faire Transaktionsmechanismen ermöglicht. Ferner werden von Beginn an KI-Anwendungen über den Marktplatz bereitgestellt.
Funding: Bundesministerium für Wirtschaft und Energie (BMWi, German Ministry for Economic Affairs and Energy (06/2020-05/2023)
Contact: Eyke Hüllermeier
Cooperation: Heinz Nixdorf Institute, Fraunhofer IEM Paderborn, industrial partners
ML-Depth: Schwach überwachtes Lernen zur Tiefenschätzung in monokularen Bildern
Dieses Projekt erforscht neue Ansätze zur Tiefenschätzung in monokularen Bildern auf der Basis des "schwach überwachten" (maschinellen) Lernens, konkret des sogenannten "Learning to Rank" und des "Superset Learning". Im Vergleich zu herkömmlichen, auf statistischer Regression basierenden Ansätzen, die Trainingsdaten in Form präziser Tiefeninformation erfordern (und im Prinzip unnötig präzise Schätzungen liefern), arbeiten beide Ansätze mit deutlich schwächeren Trainingsdaten, entweder relativen ("Objekt B befindet sich hinter Objekt A") oder ungefähren absoluten Angaben zur Tiefe ("Objekt A ist nah an der Kamera"). Dies erleichtert unter anderem die Akquise von Trainingsdaten. Als Ergebnis liefern die neuen Ansätze qualitative Tiefenkarten in Form von Reihungen (Rankings) der Objekte in einer Szene. Für beide Ansätze werden speziell auf das Problem der Tiefenschätzung zugeschnittene maschinelle Lernverfahren entwickelt. Diese werden wiederum mit zwei Varianten der Merkmalsrepräsentation kombiniert: der systematischen Modellierung von monokularen Tiefenmerkmalen basierend auf Erkenntnissen zur menschlichen Wahrnehmung ("hand-crafted Features") sowie die automatische Generierung von Merkmalsrepräsentationen mithilfe tiefer neuronaler Netzen. Unsere qualitativen, schwach überwachten Ansätze zur monokularen Tiefenschätzung werden umfassend evaluiert und sowohl miteinander als auch mit existierenden, auf statistischer Regression basierenden Ansätzen verglichen. Nicht zuletzt werden die Vorteile der neuen Algorithmen für mehrere wichtige Anwendungen untersucht: visuelle Konzeptklassifikation in Bildern und Videos, visuelle Konzeptlokalisierung und semantische Bildsegmentierung.
Funding: DFG GEPRIS (10/2019-09/2021),
Contact: Eyke Hüllermeier
Cooperation: Ralph Ewerth (University of Hannover)
FLEMING: Flexible Monitoring- und Regelsysteme für die Energie- und Mobilitätswende im Verteilnetz durch Einsatz von Künstlicher Intelligenz
Im Verbundprojekt FLEMING untersucht ein Konsortium aus Forschung und Wirtschaft, wie der heutige Sensoreinsatz in Verteilnetzen durch Verwendung von Methoden der Künstlichen Intelligenz (KI) zusammen mit einer Erweiterung der Sensortechnik grundlegend verbessert werden kann. Ziel ist es, so wesentlich zum Erfolg der Energie- und Mobilitätswende in Deutschland beizutragen.
Der Fokus der deutschen Klima- und Energiepolitik liegt auf einer massiven und flächendeckenden Einbindung von Anlagen zur Gewinnung erneuerbarer Energie sowie auf einer Integration von Ladesäulen für Elektromobilität in das bisherige Stromnetz. Die hieraus resultierenden zahlreichen Lastschwankungen z.B. durch dezentrale Solaranlagen sowie die zeitlich und räumlich konzentrierte Energienachfrage durch eMobility führen zu einer sehr großen Belastung der elektrischen Betriebsmittel und Komponenten bis hin zu einer Überlastung. Zusätzlich sind die Netzbetreiber einem steigendem Effizienz- und Kostendruck ausgesetzt.
Um die Ziele der Energie- und Mobilitätswende bei gleichbleibender Versorgungsqualität zu erreichen, benötigen die Netzbetreiber einerseits ein verbessertes Verständnis des aktuellen Zustandes des vorhandenen Netzes und seiner Komponenten (Monitoring). Dadurch können potentielle Schäden und Anlagenausfälle frühzeitig erkannt bzw. vorhergesagt oder durch verbesserte Regelung vermieden werden. Andererseits werden geeignet genaue, zuverlässige und leicht nachrüstbare Sensoren zur Regelung im Rahmen eines intelligenten Lastmanagements benötigt. Dies ermöglicht erst eine flexiblere Netznutzung unter Ausnutzung von temporärem Überlastpotential und somit den flächendeckenden Ausbau der zukünftig benötigten Energieverteilungs-Infrastruktur.
Das Szenario verlangt nach einem durchgängigen Einsatz von Sensorik und IKT-Systemen zur Erfassung der nötigen Daten der einzelnen Netzbetriebsmittel und -komponenten. Bisher verfügbare Sensorlösungen zur Zustandsüberwachung werden ausschließlich in Nischen- oder Randanwendungen eingesetzt. Ein durchgängiger Einsatz scheitert zurzeit an zu komplexem Engineering, sowie einer begrenzten Lebensdauer und Leistung der Sensorsysteme, so dass diese nur für einfache Überwachungsaufgaben meist einzelner Betriebsmittel genutzt werden können. Weiterhin steht bisherige Sensorik in der Regel nur für Anlagen eines Herstellers zur Verfügung, so dass eine Übertragbarkeit nicht möglich und eine generische, systemweite Datenanalyse undenkbar ist.
Funding: Federal Ministry for Economic Affairs and Energy, BMWi (09/2019 - 08/2022)
Contact: Eyke Hüllermeier
Cooperation: Institute for Industrial Management FIR (RWTH Aachen), Institute of Electric Energy Systems and High-Voltage Engineering (KIT Karlsruhe), ABB Research Center Germany and further industrial partners
Preference-based Online Learning with Bandit Algorithms
In machine learning, the notion of multi-armed bandit (MAB) refers to a class of online learning problems, in which an agent is supposed to simultaneously explore and exploit a given set of choice alternatives in the course of a sequential decision process. Combining theoretical challenge with practical usefulness, MABs have received considerable attention in machine learning research in the recent past. This project is devoted to a variant of standard MABs that we refer to as the preference-based multi-armed bandit (PB-MAP) problem. Instead of learning from stochastic feedback in the form of real-valued rewards for the choice of single alternatives, a PB-MAB agent is allowed to compare pairs of alternatives in a qualitative manner. The goal of this project is twofold. First, by consolidating existing work and addressing a number of open theoretical questions and algorithmic problems, we wish to provide a complete and coherent understanding of the PB-MAB setting. Second, we shall develop methods for practically motivated extensions of this setting, namely, contextual PB-MABs that allow preferences between alternatives to depend on a decision context, and PB-MABs with generalized feedback that go beyond pairwise comparisons and permit preference information of different kind.
Funding: DFG GEPRIS (since 2017)
Contact: Eyke Hüllermeier
Cooperation: Robert Busa-Fekete, Google Research
iART: An interactive analysis- and retrieval-tool for the support of image-oriented research processes
The project is devoted to the development of an e-Research-Tool for digitized, image-oriented research processes in the humanities and cultural sciences. It not only aims to improve the efficiency of retrieval in image databases but also offers various tools for analyzing image data, thereby enhancing scientific work and facilitating new theory formation.
Funding: DFG GEPRIS (start in 2018)
Contact: Eyke Hüllermeier
Cooperation: Hubertus Kohle (LMU Munich), Ralph Ewerth (University of Hannover)
Konfiguration von Software-Services im On-the-Fly Computing
Hier handelt es sich um das Teilprojekt B2 im laufenden Sonderforschungsbereich 901 (On-the-Fly Computing). Das Ziel des Projektes ist es, maschinelle Lernverfahren zur Verbesserung und Beschleunigung der Konfiguration von Software-Services zu nutzen. Hierzu muss Konfigurationswissen aus den bislang gelösten Problemen extrahiert werden, wobei es sich bei solchen Problemen um echte Nutzeranfragen oder aber simulierte bzw. gezielt zum Zweck des Trainierens konstruierte Probleme handeln kann. Wenn auch die nachgefragten Services selbst Funktionalität des maschinellen Lernens anbieten, ergibt sich das automatisierte maschinelle Lernen (Auto-ML) als spezielles Anwendungsgebiet.
Funding: DFG GEPRIS (start in 2017)
Contact: Eyke Hüllermeier
Cooperation: Axel-Cyrille Ngonga Ngomo, Bernd Kleinjohann (Paderborn University),
Prädiktion nichtfunktionaler Eigenschaften von Software-Services
Hier handelt es sich um das Teilprojekt B3 im laufenden Sonderforschungsbereich 901 (On-the-Fly Computing). Das Ziel des Projektes ist die Entwicklung maschineller Lernverfahren zur Prädiktion von Serviceeigenschaften wie Laufzeit, Ressourcenverbrauch, Nutzerbewertung, etc. Dabei sollen strukturelle Eigenschaften von Servicekompositionen ausgenutzt werden: Da ein Service aus mehreren Teilservices besteht, ist die Annahme berechtigt, dass sich Eigenschaften des Service als Aggregation der Eigenschaften der Teilservices bestimmen lassen.
Funding: DFG GEPRIS (start in 2017)
Contact: Eyke Hüllermeier
Cooperation: Heike Wehrheim (Paderborn University)
Intergramm: Interaktive Grammatikanalyse historischer Texte: Adaptive Annotationsverfahren zur Erschlieflung des Sprachausbaus im Mittelniederdeutschen
Das empirische Forschungsvorhaben untersucht den Sprachausbau des Mittelniederdeutschen vom 13. bis zum Schreibsprachenwechsel im 16./17. Jahrhundert. Es leistet damit einen Beitrag zur Rekonstruktion der bislang erst punktuell untersuchten grammatischen Entwicklung des Mittelniederdeutschen als historischer Schriftsprache. Zu diesem Zweck wird ein interaktives Verfahren entwickelt, das maschinelles Lernen und Expertenfeedback kombiniert. Auf diese Weise soll ein zentrales Problem bestehender Annotationsverfahren für historische Texte gelöst werden: Existierende Parsing- und Tagging-Verfahren der Computer- bzw. Korpuslinguistik setzen statische (a-priori definierte) Grammatiken bzw. grammatische Kategorien voraus, was der historischen Dynamik der Grammatik nicht gerecht wird.
Funding: DFG GEPRIS (start in 2017)
Contact: Eyke Hüllermeier
Cooperation: Doris Tophinke (Paderborn University), Michaela Geierhos (UniBW Munich)
Completed Research Projects
Reinforcement Learning with Qualitative Feedback
Reinforcement learning (RL) is an established paradigm for autonomous learning from interaction with an environment in order to achieve long-term goals. Informally speaking, the task of an RL agent is to successively react to changes of the environment, by properly choosing actions, in order to maximize its accumulated reward over time. Conventional RL methods are confined to deal with numerical rewards. However, in many applications, only qualitative reward signals are readily available. Moreover, a restriction to numerical reward functions also hampers the exploitation of other conceivable sources of feedback, such as external advice. Our goal in this project is to generalize the standard RL framework so as to allow for more general types of feedback, notably non-numerical rewards and qualitative advice. Building on novel methods for preference learning, the basic idea is to provide the RL agent with qualitative policy models, such as ranking functions that allow for sorting its available actions from most to least promising, as well as algorithms for learning such models. While the focus of the project is on the development of theoretical and methodological foundations of a “preference-based reinforcement learning”, we also envision two case studies putting our ideas into practice, one in the field of game playing and another one in a medical context.
Funding: DFG GEPRIS (2012-2015)
Contact: Eyke Hüllermeier
Cooperation: AG Knowledge Engineering, Fachbereich Informatik, TU Darmstadt
Preference-Based CBR: Modeling, Learning and Processing of Know-How in CBR using Preference-Based Methods
Case-based reasoning (CBR) is a well-established problem solving paradigm that has been used in a wide range of real-world applications. Despite its great practical success, work on the theoretical foundations of CBR is still under way, and a coherent and universally applicable methodological
framework is yet missing. Drawing on recent research on preference handling in Artificial Intelligence and related fields, the vision and ambition of this project is to develop such a framework on the basis of formal concepts and methods for knowledge representation and reasoning with preferences. A preference-based approach to CBR appears to be appealing for several reasons, notably because case-based experiences naturally lend themselves to representations in terms of preference relations, even when not dealing with preference information in an explicit way. Moreover, the flexibility and expressiveness of a preference-based formalism well accommodate the uncertain and approximate nature of case-based problem solving. Special attention will be payed to the common subject of the project cluster, namely the use of CBR for exploiting knowledge from Internet communities. In this context, preference information occurs quite naturally and needs to be handled in an adequate way. Jointly with the project partners, a concrete application in the domain of cooking shall be realized.
Funding: DFG GEPRIS (2011-2015)
Contact: Eyke Hüllermeier
Cooperation: Business Information Systems II, University of Trier, Germany
Learning by Pairwise Comparison for Problems with Structured Output Spaces
Learning by pairwise comparison (LPC) is a well-established technique in the field of machine learning, where it allows for reducing the problem of polychotomous to the one of dichotomous classification. Recently, some successful attempts to apply this technique also in more complex learning scenarios have been made. In particular, there is a current trend in machine learning to study supervised learning problems involving structured output spaces, such as multi-label, ordered, and hierarchical classification as well as label ranking. Motivated by first promising though solitary results, this project aims at exploring the potential and broadening the scope of LPC in a more systematic way. The ultimate goal of the project is a general and coherent framework in which problems with structured output spaces can be solved by LPC in a principled manner. Apart from corresponding methodological contributions, an important aspect of the project concerns the investigation of theoretical properties of LPC, especially a characterization of the class of problems it can solve and the computational complexity these solutions bring about. Finally, a thorough empirical evaluation and comparison with alternative algorithms shall be conducted for a variety of concrete and practically relevant learning problems.
Funding: DFG GEPRIS (2007-2013)
Contact: Eyke Hüllermeier, Weiwei Cheng
Cooperation: AG Knowledge Engineering, Fachbereich Informatik, TU Darmstadt
Mining Graph-Structured Biological Data
Recent applications from the natural and life sciences are particularly interesting from a data mining point of view and involve new challenges as to both data modeling and algorithmic solutions. In particular, these fields are often concerned with the study of data that possess a complex internal structure, and that cannot be mapped onto “flat” feature vectors of a fixed length without an inherent loss of essential information. On the other hand, graph-based models appear to be especially suitable for this type of data. This project therefore aims at developing graph-based modeling and data mining methods, with a special emphasis on so-called multiple graph alignment as a novel tool for discovering approximately conserved patterns in graph-structured data. Regarding applications, we are especially interested in analyzing protein binding sites in the context of structure-based drug design.
Funding: DFG GEPRIS (2010-2014)
Contact: Eyke Hüllermeier, Thomas Fober, Marco Mernberger
Cooperation: Institut für Pharmazeutische Chemie, Philipps-Universität Marburg
Preference Learning: Methods and Applications in Personalized Information Systems
The increasing trend toward personalization of products and services in e-commerce and various other fields requires computerized methods for discovering the preferences of individuals. And indeed, methods for learning and predicting preferences in an automatic way are among the very recent research topics in disciplines such as machine learning and recommendation systems. The project's principal objective is to develop methods for the automatic acquisition of fuzzy preference models. From an application point of view, such models are especially appealing as they are more expressive and flexible than classical models. Moreover, the underlying theory of fuzzy sets provides a coherent framework for handling different types of imprecise, uncertain and incomplete information, a point of critical importance in learning of and reasoning with preferences. A second goal of the project is to exploit fuzzy preference learning in the context of recommendation systems, thereby complementing existing methods such as collaborative filtering.
Funding: DFG GEPRIS (2005-2011)
Contact: Eyke Hüllermeier, Robin Senge
Cooperation: IRIT, Toulouse, Siemens Corporate Research, Princeton
Data‐Driven Design of Evolving Fuzzy Systems: Enhancing Interpretability, Reliability, and User‐Interaction
An evolving fuzzy system (EFS) is a system that permanently adapts itself to changing environmental conditions. This is done by adjusting its structure and parameters on the basis of observed data. Research in this emerging field has so far mainly focused on learning models with a high (predictive) accuracy. Despite its importance, this criterion is not sufficient, since overly complex models that cannot be understood will likely be refused in practical applications. Without any doubt, fuzzy systems do have the potential to offer both, accuracy and transparency, and the goal of this project is to exploit this high potential. More concretely, the goal is to produce concepts, methods, and algorithms for making EFS more user‐friendly. First of all, this will be achieved by developing methods for reducing the complexity of fuzzy models, thereby making them more transparent and possibly amenable to interpretable linguistic representations. Another important user requirement is reliability. In this regard, different types of uncertainty concerning the model itself and its predictions have to be captured and represented; ideally, a model is “self‐aware” in the sense of being able to judge its own reliability. Finally, novel visualization techniques and methods shall be developed that allow a human user to interact with the learning system in a dynamical way. Jointly, these contributions will greatly increase the practical usefulness and applicability of evolving fuzzy systems.
Funding: DFG GEPRIS (2010-2014)
Contact: Eyke Hüllermeier, Ammar Shaker
Cooperation: Department of Knowledge-Based Mathematical System, University of Linz, Austria
Quality Engineering
Quality control and quality engineering are concerned with developing systems to ensure that products or services are designed and produced to meet or exceed customer requirements. In this regard, the goal of this project is to develop an intelligent assessment system that imitates as closely as possible the product evaluation by a human expert. In fact, even though the collection of measurement values and curves characterizing technical products has already been automated to a large extent by means of robot-based measurement techniques, the evaluation of a product based on these measurements remains a difficult issue. In this respect, aspects such as gradual transitions between satisfaction and non-satisfaction of a criterion as well as logical and partially compensatory aggregations of individual evaluations into an overall assessment are of central importance. Therefore, the project is founded on fuzzy set theory and fuzzy logic as an underlying theoretical framework.
Funding: BMWi (2006-2009)
Contact: Eyke Hüllermeier, Yu Yi
Partner: Battenberg Robotic, Marburg