Methoden des Maschinellen Lernens werden heutzutage erfolgreich in vielen Anwendungsgebieten eingesetzt. Eine Vielzahl verschiedener Lernverfahren zur Lösung von Klassifikations- und Regressionsaufgaben existieren bereits. Diese gängigen Methoden des maschinellen Lernens werden von den Domänenexperten im Bereich sicherheitskritischer Systeme mit Skepsis betrachtet, da es oftmals sehr aufwendig ist, die so erzeugten Modelle hinreichend zu interpretieren und zu validieren. Speziell für sicherheitskritische Anwendungen ist es absolut notwendig, dass die Korrektheit und funktionelle Vollständigkeit der gefundenen Lösung garantiert werden kann. Die in dieser Arbeit vorgestellten Lernverfahren erlauben die Interpretation und damit die Validierung der gelernten Modelle durch die Experten. Die Grundidee dieser Methoden besteht darin, hochdimensionale Anwendungsprobleme durch ein Ensemble von einfachen Teilmodellen zu lösen, wobei jedes Teilmodell auf einen nur zwei- oder dreidimensionalen Teilraum des Eingaberaumes beschränkt ist. Diese Beschränkung der Dimensionalität der Teilmodelle ermöglicht die Darstellung der gelernten Modelle. Dadurch wird es möglich, eine visuelle Interpretation und Validierung basierend auf dem existierenden Expertenwissen durchzuführen. Die Visualisierung erlaubt es, ein unerwartetes und möglicherweise unerwünschtes Interpolations- bzw. Extrapolationsverhalten der Teilmodelle zu entdecken, um dann durch eine entsprechende Änderung der Lernparameter oder eine geänderte Modellauswahl ein solches Verhalten zu vermeiden. Durch diese Vorgehensweise kann die Korrektheit der gelernten Lösung garantiert werden. Das Ensemble der Teilmodelle ermöglicht eine verbesserte Vorhersageleistung im Vergleich zu der eingeschränkten Vorhersageleistung der einzelnen Teilmodelle. Die vorgestellten Lernverfahren liefern sowohl für bekannte Benchmarkdatensätze als auch bei realen Anwendungsproblemen mit sehr hohen Sicherheitsanforderungen gute Ergebnisse.
Today, machine learning methods are successfully deployed in a wide range of applications. A multitude of different learning algorithms has been developed in order to solve classification and regression problems. These common machine learning approaches are regarded with suspicion by domain experts in safety-related application fields because it is often infeasible to sufficiently interpret and validate the learned solutions. Especially for safety-related applications, it is imperative to guarantee that the learned solution is correct and fulfills all given requirements. The basic idea of the approaches proposed within this thesis is to solve high-dimensional application problems by an ensemble of simple submodels, each of which is allowed to only use two or three dimensions of the complete input space. The restriction of the dimensionality of the submodels allows the visualization of the learned models. Thus a visual interpretation and validation according to the existing domain knowledge becomes feasible. Due to the visualization, an unintended and possibly undesired extra- and interpolation behavior can be discovered and avoided by changing the model parameters or selecting other submodels. Since the learned submodels are interpretable the correctness of the learned solution can therefore be guaranteed. The ensemble of the submodels compensates for the limited dimensionality of the individual submodels. The proposed ensemble methods are successfully applied on common benchmark problems as well as on real-world application problems with very high requirements on the functional safety of the learned solution.
Robust learning in safety-related domains: Machine learning methods for solving safety-related application problems
Robustes Lernen in sicherheitskritischen Domänen: Maschinelles-Lernen-Methoden zur Lösung sicherheitskritischer Anwendungsprobleme
2009
132 Seiten, Bilder, Tabellen, Quellen
Theses
English
Problems related to quantitative appraisal of safety related systems
Tema Archive | 2007
|