Empirische Inferenz

Prof. Dr. Bernhard Schölkopf

Mit der Gründung des Max-Planck-Instituts für Intelligente Systeme zog die Abteilung in das neue Institut um.

Eine Gehirn-Maschine-Schnittstelle ermöglicht es Menschen, mit ihrer Umwelt ohne die Hilfe von Muskelkraft zu interagieren. So können beispielsweise gelähmte Patienten rein mittels ihrer Gedanken Wörter buchstabieren und Sätze bilden. Hierzu ist jedoch eine aufwendige Datenanalyse der komplexen, mehrdimensionalen Signale, die vom Gehirn zur Steuerung ausgesandt werden, notwendig. Sie gelingt mit Hilfe sogenannter Support-Vektor-Maschinen, die automatisch aus einer großen Anzahl von Daten Regelmäßigkeiten extrahieren, die dann zur Steuerung eingesetzt werden. In der Abteilung „Empirische Inferenz“ werden neue Lernverfahren entwickelt, die Strukturen in experimentellen Daten erkennen können. Hierzu gehören beispielsweise Algorithmen zur Mustererkennung, Regression, Dichteschätzung, Novelty-Detektion und Merkmalsselektion. Schwerpunktmäßig werden sogenannte Kern-Methoden entwickelt.

Das Grundproblem beim Lernen ist die ‘Generalisierung:’ die extrahierten Gesetzmäßigkeiten sollen nicht nur die bereits vorliegenden Beobachtungen (die ‘Trainingsmenge’) korrekt erklären, sondern auch für neue Beobachtungen zutreffend sein. Dieses Problem der Induktion berührt Grundsatzfragen nicht nur der Statistik, sondern der empirischen Wissenschaften im Allgemeinen. Dazu gehören die Repräsentation von Daten und von Vorwissen, sowie die Komplexität oder Kapazität von Erklärungen bzw. Modellen. Wenn anhand eines Modells geringer Komplexität (in einer geeigneten Formalisierung dieses Begriffs) eine gegebene Menge von empirischen Beobachtungen hinreichend genau erklärt werden kann, dann garantiert die statistische Lerntheorie, dass mit hoher Wahrscheinlichkeit auch zukünftige Beobachtungen mit dem Modell konsistent sein werden.

Die Verarbeitung der Daten aus Gehirn-Maschine-Schnittstellen ist aber nur ein Problem von vielen, welches mithilfe der Lerntheorie gelöst werden kann. Die moderne Wissenschaft steckt voller ungelöster Aufgaben, verursacht durch multidimensionale Daten; die oft nicht mehr mit herkömmlichen Analysemethoden bewältigt werden kann.
 

Ehemalige Forschungsgruppen der Abteilung

(Bitte besuchen Sie unsere englischen Seiten für mehr Informationen)

• Statistical Learning Theory
• Kernel Algorithms
• Causal and Probabilistic Inference
• Vision and Image Processing
• Robot Learning
• Machine Learning in Neuroscience
• Bioinformatics