IT-Nachwuchsforschung in Österreich

Weitere Magazine

Empfehlungen

Info

Literatur Kevin Feichtinger and Rick Rabiser. 2020. Towards Transforming Variability Models: Usage Scenarios, Required Capabilities and Challenges. In Proceedings of the 24th ACM International Systems and Software Product Line Conference - Volume B (SPLC ‚20). Association for Computing Machinery, New York, NY, USA, 44–51. https://doi. org/10.1145/3382026.3425768 Kevin Feichtinger, Kristof Meixner, Rick Rabiser, and Stefan Biffl. 2020. Variability Transformation from Industrial Engineering Artifacts: An Example in the Cyber-Physical Production Systems Domain. In Proceedings of the 24th ACM International Systems and Software Product Line Conference - Volume B (SPLC ‚20). Association for Computing Machinery, New York, NY, USA, 65–73. https://doi.org/10.1145/3382026.3425770 Kevin Feichtinger, Johann Stöbich, Dario Romano, and Rick Rabiser. 2021. TRAVART: An Approach for Transforming Variability Models. In Proceedings of the 15th International Working Conference on Variability Modelling of Software-Intensive Systems (VaMoS ‚21). Association for Computing Machinery, New York, NY, USA, Article 8, 1–10. https://doi. org/10.1145/3442391.3442400 Kevin Feichtinger. 2021. A flexible approach for transforming variability models. In Proceedings of the 25th ACM International Systems and Software Product Line Conference - Volume B (SPLC ‚21). Association for Computing Machinery, New York, NY, USA, 18–23. https://doi.org/10.1145/3461002.3473069 Kevin Feichtinger ist PostDoc Researcher in der Dependability of Software-intensive Systems Gruppe des Karlsruher Institut für Technologie. Im September 2023 schloss er das Doktoratsstudium der Technischen Wissenschaften am LIT Cyber-Physical Systems Lab der Johannes Kepler Universität Linz ab. Seine Forschungsinteressen sind Softwareproduktlinien, Variabilitätsmodellierung, Modelltransformationen, Softwareevolution, Softwarekonsistenz und Softwareentwicklung für Cyber-Physical Systems. Kevin Feichtinger, Chico Sundermann, Thomas Thüm, and Rick Rabiser. 2022. It‘s your loss: classifying information loss during variability model roundtrip transformations. In Proceedings of the 26th ACM International Systems and Software Product Line Conference - Volume A (SPLC ‚22), Vol. A. Association for Computing Machinery, New York, NY, USA, 67–78. https://doi.org/10.1145/3546932.3546990 Unüberwachtes Maschinelles Lernen von Lukas Miklautz Clustering mit neuronalen Netzen Clustering ist ein Forschungsgebiet aus den Bereichen Data Mining und Maschinellem Lernen, welches sich damit beschäftigt, wie ähnliche Objekte in sogenannte „Cluster“ gruppiert werden können. In der automatischen Textverarbeitung werden Clustering-Algorithmen dazu verwendet, um Nachrichtenartikel automatisch nach ihren Inhalten zu gruppieren oder in der Medizin wird versucht durch Clustering herauszufinden, welche Gruppen von Genen das Risiko für eine Erkrankung erhöhen. Clustering ist ein unüberwachtes Lernverfahren, in dem der Algorithmus die Gruppen von selbst findet. Im Gegensatz dazu stehen überwachte Lernverfahren, in denen bereits im Vorhinein angegeben werden muss, welche Gruppen (auch Klassen) man finden will. DEEP CLUSTERING Im Bereich des Deep Clusterings wird versucht, die erfolgreichen Ansätze des Deep Learnings mittels künstlicher neuronaler Netze, das vor allem für überwachte Lernverfahren entwickelt wurde, 30 OCG Journal | 01 • 2024
Ausgewählte Forschung auch für Clustering zu verwenden. Die Deep Clustering Forschung fokussiert sich dabei auf ein Problem der „traditionellen“ Clustering-Algorithmen, nämlich, dass diese oft vorverarbeitete Daten benötigen. Zum Beispiel können Bilddaten nicht als solche verarbeitet werden und es müssen zuerst die wichtigsten Merkmale (Features) extrahiert werden. Möchte man einen „traditionellen“ Clustering-Algorithmus dazu verwenden Bilder von Katzen und Hunden zu gruppieren, muss man zuerst die wichtigsten Merkmale berechnen, wie Form der Nase, Ohren, Augen etc. Im Gegensatz dazu können Deep Clustering Algorithmen selbständig die wichtigsten Merkmale lernen. Das hat den Vorteil, dass man nicht bereits im Vorhinein wissen muss, welche Merkmale wichtig sind, was in der Praxis oft einen großen Aufwand darstellt. PROTOTYP-BASIERTES LERNEN VON REPRÄSENTATIONEN Im Rahmen meiner Dissertation habe ich mich auf das Lernen von Repräsentationen (representation learning) für das Clustering fokussiert. Darin habe ich mehrere Methoden vorgeschlagen, die Deep Clustering Algorithmen neue Möglichkeiten eröffnen, Muster in Daten zu erkennen. Die vorgeschlagenen Methoden basieren dabei auf dem Konzept von Prototypen. Der Prototyp eines Clusters kann dabei als eine vereinfachte oder abstraktere Darstellung von Instanzen des jeweiligen Clusters verstanden werden. Zum Beispiel würde ein prototypisches Bild einer Katze Gemeinsamkeiten aller in diesem Katzencluster vorhandenen Instanzen abbilden, wie spitze Ohren, Schnurrhaare etc. Diese Prototypen werden vom Algorithmus automatisch gelernt und dienen als Anhaltspunkte, mit der die Repräsentation des Neuronalen Netzwerks verbessert werden kann. Dabei startet der Algorithmus zu Beginn mit „schlechten“ Prototypen und verbessert sich über die Zeit, um am Ende repräsentative Prototypen für jeden Cluster zu erhalten. NICHT-REDUNDANTES CLUSTE- RING IN DER ARCHÄOLOGIE Unter anderem hat meine Dissertation den ersten Deep Clustering Algorithmus für das nicht-redundante Clustering enthalten. Beim nicht-redundanten Clustering werden Daten auf mehrere Arten gruppiert, zum Beispiel kann das Bild eines roten Würfels einmal nach seiner Form und einmal nach seiner Farbe gruppiert werden. Unser Verfahren erreicht das, indem es lernt, die Repräsentation eines neuronalen Netzwerks in nützliche Merkmale für jedes Clustering aufzuteilen. In Zusammenarbeit mit Archäolog*innen haben wir den Algorithmus eingesetzt, um Bilder frühmittelalterlicher Glasperlen (Abb.1) automatisch nach Form, Farbe, Größe und Dekoration zu clustern. Lukas Miklautz ist PostDoc Researcher in der Data Mining and Machine Learning Group der Fakultät für Informatik an der Universität Wien. Der Fokus seiner Forschung liegt im unüberwachten Maschinellen Lernen, vor allem an der Schnittstelle von Deep Learning und Clustering. Abbildung 1: Front- und Seitenansicht von frühmittelalterlichen Glasperlen (c) Tobias Bendeguz 01 • 2024 | OCG Journal 31
Seite 1 und 2: OCG Journal Ausgabe 01 • 2024 | C
Seite 3 und 4: Inhalt [ 20 Young Researchers‘ Da
Seite 5 und 6: Young Researchers‘ Day AK IT-Sich
Seite 7 und 8: Young Researchers‘ Day Bluetooth
Seite 9 und 10: Young Researchers‘ Day Sicherheit
Seite 11 und 12: Young Researchers‘ Day Daten aus
Seite 13 und 14: Young Researchers‘ Day Grafik Glo
Seite 15 und 16: Young Researchers‘ Day niedrigem
Seite 17 und 18: Young Researchers‘ Day die Anwend
Seite 19 und 20: Young Researchers‘ Day Julia Made
Seite 21 und 22: Ausgewählte Forschung Abbildung 1:
Seite 23 und 24: Ausgewählte Forschung der Anwendun
Seite 25 und 26: Ausgewählte Forschung Schutz der P
Seite 27 und 28: Ausgewählte Forschung mous problem
Seite 29: Ausgewählte Forschung fristigen Un
Seite 33 und 34: ausfordern und deren algorithmische
Seite 35 und 36: Wettbewerbe Screenshot Java Wiz (c)
Seite 37 und 38: Wettbewerbe OCG Förderpreis-FH 202
Seite 39 und 40: Intern Veranstaltungen und Termine

IT-Nachwuchsforschung in Österreich

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?