TFI – strategisches Projekt

Kontext und Motivation

Ziel dieses strategischen Projekts ist die Bereitstellung grundlegender, methodischer Bausteine zur Weiterentwicklung von Methoden zur Daten- und KI-Modellierung durch Transfer Learning und Kontextualisierungsansätze, lightweight Knowledge Graphs (KGs) und latente komplexe Ereignisverarbeitung. Die in diesem Projekt durchgeführten Arbeiten erfolgen in enger Abstimmung mit unseren wissenschaftlichen Partnern.

Zielsetzungen

Das übergeordnete Ziel dieses Projekts ist die Entwicklung und Weiterentwicklung von Methoden und Werkzeugen für die Daten- und KI-Modellierung und damit die Behebung von Mängeln aktueller Narrow AI-Systeme. Dieses Ziel wird durch die folgenden Teilziele zusammengefasst:

• Transferability: Nutzung von Transfer-Learning, z. B. unsupervised Domain Adaptation, und Kontextualisierungsansätzen, z.B. relationales maschinelles Lernen, um Probleme im Zusammenhang mit begrenzten Daten und Datenverschiebungen (Data Shifts) anzugehen.
• Skalierbarkeit und Dynamik von Knowledge Graphen: Erforschung alternativer Graphenansätze, z. B. Graph Random Walks, und Entkopplungsstrategien, um lightweight Knowledge Graphs und Embeddings zu ermöglichen und so Aktualität und Recheneffizienz zu gewährleisten.
• Latente komplexe Ereignisse: Kombination von Konzepten aus Knowledge Graphen und maschinellem Lernen, z. B. Neuronal Relation Extraction (NRE) zur Lösung von Problemen im Zusammenhang mit latenten komplexen Ereignissen.

Erwartete Ergebnisse

• Neuartige Methoden für Domain Adaptation, lightweight KGs und komplexe Ereignisverarbeitung
• Neue Garantien für Lerngrenzen für Algorithmen des maschinellen Lernens.
• Neue prinzipielle Regularisierungsstrategien zur Anpassung von maschinellen Lernmodellen an veränderte Datenverteilungen (Distribution Shifts).
• Theoretisch begründete Designansätze zur Lösung des Problems der Parameterwahl für das Lernen unter Verteilungsänderungen (Distribution Shifts).
• Neuartige Methoden, die Knowledge Graphen als Service für das Training partieller, aufgabenspezifischer Modelle mit deutlich geringerer Laufzeit ermöglichen.
• Neuartige Methoden, die eine effiziente vertikale Ereignisextraktion aus semistrukturierten Daten für die Ereignisverarbeitung über verschiedene Abstraktionsebenen hinweg ermöglichen und gleichzeitig mit lightweight KGs und Embeddings kompatibel sind.

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMAW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.