In der Zeit vom 26.6.-28.6.2019 fand in Barcelona die Konferenz ‚International Workshop on Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization’ (WSOM+2019) statt. Die diesjährige Zusammenkunft war die 13. Konferenz dieser Art, welche 1997 in Helsinki gestartet wurde. Themenschwerpunkt dieser Konferenzreihe sind künstliche neuronale Netze zur Datenvisualisierung, Clustern und Klassifizierung basierend auf dem Paradigma interpretierbarer Modelle im maschinellen Lernen.
Prof. Thomas Villmann (Fak. CB und SICIM) war mit gleich vier Beiträgen auf dieser KI-Konferenz vertreten.
Zusammen mit seinen Doktoranden Jensun Ravindrachan und Sascha Saralajew (Porsche AG) präsentierte er Forschungsergebnisse zur Robustheit von Netzwerkmodellen gegenüber gestörten Eingabedaten sowie zur Optimierung des Lernverhaltens für schnelleres Lernen in solchen Netzwerken. Diese theoretischen Ergebnisse haben unmittelbare Auswirkungen für die Anwendung solcher Netzwerke in KI-Systemen, indem mathematische Garantien für korrektes Netzwerkverhalten gegeben werden.
In einem weiteren Beitrag, welcher in Zusammenarbeit mit Kollegen vom European Center for Bioinformatics in Poznan und Dr. Marika Kaden entstanden ist, wurden RNA-Sequenzen von speziellen RNA-Viren untersucht, um dem Geheimnis des Ursprungs von lebenden Organismen näher zu kommen. Diese Forschungsarbeiten basieren auf der sogenannten RNA-Welt-Hypothese, welche besagt, dass die Eigenschaften der RNA zur Selbstreplikation und Katalyse der Protein-Generierung als Vorläufer der jetzt dominierenden DNA-Welt anzusehen ist. Speziell wurde in dem Beitrag versucht, Sequenz-Charakteristika zu detektieren und auszunutzen, um künstlich generierte RNA-Sequenzen von (natürlichen) RNA-Virus-Sequenzen zu unterscheiden. Diese Arbeiten werden in den nächsten Monaten in Mittweida und Poznan weitergeführt.
Der vierte Beitrag, welcher zusammen mit Prof. Tina Geweniger von der WSH Zwickau eingereicht wurde, widmete sich der mathematischen Verifikation eines Cluster-Algorithmus mit dem Ziel, die Zuordnung der Daten zu verschiedenen Clustern zuzulassen. Beispielsweise können Patienten an Hand physiologischer Daten Gruppen mit verschiedenen Krankheitsbildern zugeordnet werden, wobei für jede Gruppenzugehörigkeit eine Wahrscheinlichkeit ermittelt wird. Im Unterschied zu Standard-Modellen summieren sich in dem vorgestellten Verfahren diese Wahrscheinlichkeiten nicht zu 100% auf, sondern die ermittelten Wahrscheinlichkeiten bilden ein Evidenz-Ereignis (possibilistic clustering). Prof. Geweniger und Prof. Villmann entwickelten das mathematische Framework für einen gradienten-basierten Lernalgorithmus des entsprechenden neuronalen Netzes. Dieser Beitrag wurde mit dem Best-Paper-Award der Konferenz ausgezeichnet.
Die auf der Konferenz vorgestellten Beiträge (veröffentlicht bei Springer-Series Advances in Intelligent Systems and Computing 976 ‚Advances in Self-Organizing Maps, Learning Vector Quantization, Clustering and Data Visualization‘) sind:
T. Villmann, J. Ravichandran, A. Villmann, D. Nebel, M. Kaden: Investigation of Activation Functions for Generalized Learning Vector Quantization.
T. Geweniger, T. Villmann: Variants of Fuzzy Neural Gas. – Best Paper Award
S. Saralajew, L. Holdijk, M. Rees, T. Villmann: Robustness of Generalized Learning Vector Quantization Models against Adversarial Attacks.
T. Villmann, M. Kaden, S. Wasik, M. Kudla, K. Gutowska, A. Villmann, J. Blazewicz: Searching for the Origins of Life – Detecting RNA Life Signatures Using Learning Vector Quantization.
Text: Prof. Thomas Villmann
Foto: privat