Few Data Learning

Beim klassischen maschinellen Lernen, werden möglichst viele Daten als Trainingsdaten benötigt, damit das Modell lernt die entsprechende Klassifikations- oder Regressionsaufgabe zu lösen und auf ungesehenen Testdaten in der Evaluation gute Ergebnisse liefert. Im Gegensatz dazu bezeichnet Few Data Learning eine Reihe von Machine Learning Verfahren bei denen die Datenbasis sehr klein ist und hat ihren Ursprung in der Statistik.

Um die Datenbasis zu erweitern, wird mit Datenaugmentierung gearbeitet. Dafür sind verschiedene Methoden einsetzbar, es werden beispielsweise die wenigen bestehenden Daten leicht abgeändert oder mit Modellen neue Datenpunkte erzeugt. Die Augmentierungsverfahren hängen von der Art der Daten und der Problemstellung ab, meist kommen mehrere Methoden in Kombination zum Einsatz.

Die Schwerpunkte der Forschung innerhalb der Kompetenzsäule Few Data Learning liegen auf:

• Ausnutzung von Ähnlichkeiten in niedrig-dimensionalen Datensätzen (z. B. Interpolation, Imputation, Clustering) zur Ergänzung fehlender Daten
• Erzeugung synthetischer Daten durch Redundanzreduktion in hoch-dimensionalen Datensätzen (z. B. Autoencoder, PCA, dynamische Faktormodelle)
• Simulation von Prozessen und Daten (z. B. in der Produktion mit AnyLogic sowie SimPlan oder durch physikalische Modelle)
  

Der Unterschied zwischen ähnlichkeits- und redundanzbasierten DA Methoden ist in der folgenden Grafik illustriert:
 

Wenn eine Zeitreihe (hier Nachfrage in Stück nach einem Produkt) mit wenigen Datenpunkten zur ML Modellierung erweitert werden soll, kann nach ähnlichen bereits vorhandene Zeitreihen gesucht werden. Im Anschluss werden diese Datenpunkte zu Erweiterung der kurzen Zeitreihe direkt übernommen. Die Suche nach ähnlichen Daten erfolgt beispielsweise mittels Clustering Verfahren.

Falls eine solche direkte Zuordnung zu ähnlichen Zeitreihen nicht möglich, schwierig oder nicht gewollt ist, kann stattdessen aus mehreren verfügbaren Zeitreihen eine synthetische Datenreihe neu generiert werden welche die Informationen der vielen Datenreihen repräsentiert. Dabei werden Redundanzen in einem hochdimensionalen Datensatz ausgenutzt, um eine niedrigdimensionale Repräsentation des gesamten Datensatzes zu generieren.

In manchen Anwendungen kann es sogar vorkommen, dass keinerlei Daten zur Analyse vorliegen. In diesem Fall können mit Simulationsmodellen komplett synthetische Daten generiert werden. Beispielsweise in der Produktion: Wenn eine bestehende Fertigung auf ein komplett neues Produkt umgestellt werden soll, gibt es dafür noch keine Erfahrungswerte bzw. Daten. In dem Fall kann auf Basis der bestehenden Daten und der Prozessmodellierung eine Simulationsumgebung erstellt werden, welche für die neuen Produkte Daten simuliert, um diese anschließend mittels ML Modellen zu analysieren. Dabei ist es besonders wichtig, aber auch schwierig, möglichst realistische Daten zu simulieren, welche bestimmte Charakteristika (z. B. Produktionsfehler oder Maschinenstillstände) nicht über- oder unterschätzt, damit das ML Modell auch im laufenden Betrieb mit realen Daten gute Ergebnisse liefern kann.

In der Applikation Robuste KI für Digitale Pathologie werden KI-Methoden entwickelt um Darmkrebs auf CT-Gewebescans automatisiert zu erkennen. Dabei stehen oft nur sehr wenige Daten zur Verfügung. Daher wurden im Rahmen der Kompetenzsäule Few Data Learning verschiedene Verfahren der Datenaugmentierung anhand einer Multi-Scanner Datenbank miteinander verglichen. Ziel ist es eine robuste Gewebeanalyse in Darmschnitten von Adenokarzinomen zu gewährleisten. Dabei wurden verschiedene konvolutionale Netzwerk-Architekturen hinsichtlich ihrer Ausführungsgeschwindigkeit und Robustheit auf einer Multi-Scanner Datenbank verglichen. Die Robustheit wird dabei durch Anwendung von Datenaugementierung, speziell Farbaugmentierungen, erzielt.

In der Applikation KI-gestütze Diagnosen in Funksystemen wird eine Toolchain zur automatisierten Erkennung und Vorhersage von Übertragungsstörungen in drahtlosen Netzwerken entwickelt. Dabei wird ein Beitrag zur Verbesserung von Fehleranalysewerkzeugen in Funknetzwerken, unter Verwendung von Spektrumanalysatoren geleistet. Mithilfe von auf maschinellem Lernen basierenden Bildverarbeitungsalgorithmen werden einzelne Frames verschiedener Funktechnologien sowie Kollisionen zwischen Frames in Echtzeit erkannt und entsprechend ihres Kommunikationsstandards klassifiziert. Zur Verbesserung der Datenbasis wurden die mit einem Vektorsignalgenerator erzeugten Funksignale in einer eigens entwickelten Simulations-Pipeline weiterverarbeitet und rekombiniert. Über diesen Ansatz konnte auf einen umfangreichen gelabelten Trainingsdatensatz zurückgegriffen werden.

In der Applikation Selbstlernende adaptive logistische Netzwerke wurde ein Verfahren entwickelt, welches auf Basis von unvollständigen Verbrauchsdaten von Ersatzteilen in der Logistik mittels Clustering-Verfahren Ähnlichkeiten in einem großen Datensatz erkennt und verfügbare Verbrauchsdaten über einen längeren Zeithorizont zur Prognose von neuen Ersatzteilen (ohne lange Datenhistorie) nutzt.