Aktuelles

06.12.21: Benchmarking für Link-Prediction auf Wissensgraphen auf der Flagschiffkonferenz NeuRIPs vorgestellt

Da Wissensgraphen in der Regel automatisch generierte werden sind häufig unvollständig bezüglich aller geltender Faktern. Link-Prediction auf der Grundlage von KG-Embeddings ist eine wichtige Methode um die fehlenden Relationen vorherzugsagen und KGs zu vervollständigen. In diesem Artikel wird sowohl eine Auswahl an Datensätzen als auch Evaluationsmethoden vorgeschlagen, die eine flexible und problemangepasste Evaluation von Link-Prediction-Methoden und KG-Embeddings ermöglichen. Die Datensätze sind dabei zur Evaluation von vollständig induktiven als auch transduktiven Methoden geeignet und es werden für jeden Datensatz einheitliche Bewertungsmetriken zur Verfügung gestellt. Die vorgestellte Analyse der Datensätze anhand von State-of-the-Art-Modellen bietet wichtige Erkenntnisse über geeignete Parametereinstellungen und Methoden in KG-embedding-basierten Systemen.
Das Paper ist unter https://openreview.net/pdf?id=Gln7zxMffae verfügbar.

13.09.21: Neues Embedding für Wissensgraphen GFA-NN auf der ECML/PKDD vorgestellt.

Methoden zum Lernen von Vektorrepräsentationen auf Wissensgraphens (Knowledge Graphs Embeddings, KGE) stehen im Fokus vieler aktueller Studien zur künstlichen Intelligenz, da sie ein wichtiger Bestandteil aktueller Lösungen verschiedener Problemstellungen, wie etwa der Vorhersage von Beziehungen zwischen Entitäten(Link-Prediction) und Knotenklassifizierung, sind. Die meisten KGE Methoden kodieren nur die lokale Graphenstruktur einer Entität, d. h. Informationen über die 1-Hop-Nachbarschaft, in den Vektorraum. Die Erfassung nicht nur der lokalen Graphenstruktur sondern auch der globalen Merkmale von Entitäten sind für Vorhersageaufgaben auf Wissensgraphen entscheidend. Diese Arbeit schlägt eine neuartige KGE-Methode namens Graph Feature Attentive Neural Network (GFA-NN) vor, das graphische Merkmale von Entitäten berechnet. Die daraus resultierenden Einbettungen berücksichtigen zwei Arten von globalen Netzwerkmerkmalen.
Das Paper ist unter https://2021.ecmlpkdd.org/wp-content/uploads/2021/07/sub_1096.pdf verfügbar.

28.10.2020: Neuronaler Vocoder mit Tonhöhenkontrolle mittels differentierbarer digitaler Signalverarbeitung

Moderne Text-zu-Sprache-Systeme können natürliche und qualitativ hochwertige Sprache erzeugen, aber Sprache enthält Aspekte (z.B. Tonhöhe, Rhythmus, Lautstärke, Klangfarbe), die Text allein nicht enthalten kann. Eine explizite Kontrolle dieser Aspekte ist wünschenswert, um die Lücke zwischen verschiedenen Datenformaten wie Text und Sprache zu überbrücken. Sony Europe und der Lehrstuhl für Bildverarbeitung und Künstliche Intelligenz an der Technischen Universität München haben einen neuen neuronalen Vocoder entwickelt, der natürliche Sprache mit realistischer Klangfarbe erzeugt und es erlaubt, Aspekte der Sprache individuell und frei zu steuern. Der vorgeschlagene neuronale Vocoder kann in Text-zu-Sprache-Systemen verwendet werden oder die Parameter einer vorhandenen Sprachaufzeichnung nachträglich modifizieren. Das Paper ist unter https://arxiv.org/abs/2010.15084 verfügbar.

25.10.2020: MLWin Paper wird an der IEEE ICHI2020 Konferenz (Oldenburg) vorgestellt.

Das Paper "Learning Individualized Treatment Rules with Estimated Translated Inverse Propensity Score“ wurde an der ICHI2020 (IEEE International Conference Healthcare Informatics 2020) angenommen. In dieser Arbeit wird eine neue Methode des maschinellen Lernens entwickelt, die zum Zweck der medizinischen Entscheidungsunterstützung bessere therapeutische Behandlungsstrategie als Ärztinnen und Ärzte generieren kann. Diese Arbeit entstand aus einer Zusammenarbeit zwischen dem MLWin Team, Zhiliang Wu (LMU, SAG), Yinchong Yang (SAG), Yunpu Ma (LMU), Volker Tresp (LMU, SAG) und Michael Moor von ETH Zürich. Das Paper ist unter https://arxiv.org/abs/2007.01083 verfügbar.

25.10.2020 : Mit SherLIiC logische Schlüsse ziehen

Im Rahmen von MLWin wurden neue Daten gesammelt, um automatische Schlussfolgerungen zu evaluieren. Die neue Datensammlung basiert auf einem aus Texten extrahierten Wissensgraphen, dessen Kanten durch Verben ausgedrückte Ereignisse repräsentieren. Davon ausgehend bewerteten Annotatoren, welche Ereignisse mit welchen Typen von Teilnehmern welche andere Ereignisse zwingend notwendig machen. Zum Beispiel setzt eine Ankunft in einem Land einen vorherigen Aufbruch und eine Reise in dieses Land voraus. Diese Art von Inferenzen bleibt eine Herausforderung für Computersysteme und der neue Datensatz erlaubt eine objektive Evaluierung des Fortschritts in diesem Bereich. Das Projekt wurde auf der ACL-Konferenz vorgestellt. Mehr dazu kann man hier erfahren.

25.10.2020: Neue Methoden zur Graph-Text-Konversion ohne annotierte Daten

Die Umwandlung von Wissensgraphen in natürlichsprachliche Texte ist ein nützliches Hilfsmittel, um die gespeicherten Informationen intuitiv verstehbar zu machen. Die umgekehrte Konversionsrichtung kann Informationen, die nur in Textform vorliegt, umgekehrt für Maschinen zugänglich machen. Bisherige Systeme für diese beiden Aufgaben benötigen große Mengen von Graphen mit dazu passenden Texten, um den Zusammenhang zwischen Graphen und Texten zu erlernen. In einem aktuellen MLWin-Projekt wurde diese Abhängigkeit nun überwunden. Die Forschungsarbeit wurde zur Veröffentlichung im Rahmen der EMNLP-Konferenz angenommen. Mehr dazu kann man hier erfahren.

20.10.2020: Zwei MLWin Paper auf der COLING 2020 Konferenz angenommen

Wir freuen uns sehr, dass wir zwei Beiträge zur Präsentation auf der COLING 2020 (International Converence for Computerlinguistik) angenommen bekommen haben. Die erste COLING fand 1965 in New York statt und die letzte Iteration 2018 in Santa Fe, USA. Im Laufe ihrer Geschichte hat diese Konferenz zahlreiche Forscher aus dem Bereich der Computerlinguistik zusammengebracht. COLING'2020 setzt diese Tradition fort und beinhaltet daher Beiträge zu allen Themen, die sich sowohl mit natürlicher Sprache als auch mit neuen computergestützen Verfahren beschäftigen. Die Preprints der Paper gibt es hier:

23.08.2020: Workshop zur kartenbasierten Lokalisierung für autonomes Fahren

Der Lehrstuhl für Bildverarbeitung und Künstliche Intelligenz an der Technischen Universität München hat den "ECCV 2020 Workshop on Map-based Localization for Autonomous Driving" (Worshop Homepage) organisiert. Die Vorträge sind online unter https://youtu.be/4ii0ALys6cY und https://youtu.be/M-X6HX1JxYk verfügbar. Das Hauptaugenmerk liegt darauf, wie Karten erstellt und auf dem neuesten Stand gehalten werden sowie darauf, welche Sensortechnologien verwendet werden können. Darüber hinaus wurde ein neuer großer Datensatz für verschiedene Jahreszeiten und Wetterbedingungen vorgestellt, der speziell für die Anwendung der kartenbasierten Lokalisierung beim autonomen Fahren entwickelt wurde. Der Workshop ist auch Austragungsort der neuen "Map-based Visual Re-Localization Challenge", welche die langfristige Leistung von Visual-SLAM-Systemen unter sich ändernden Wetterbedingungen bewertet.

02.07.2020: PyKEEN 1.0 angekündigt– PyKEEN ist ein Softwarepaket zum Trainieren und Evaluieren von Knowledge Graph Embeddings

PyKEEN wird verwendet, um vorhandene KGE-Modelle in einer Vielzahl von Konfigurationen ausgiebig zu testen. Die Ergebnisse können im dazu erschienenen Artikel studiert werden. Wir möchten uns bei allen bedanken, die zur Erstellung dieser Version beigetragen haben. Folgen Sie uns auf Twitter um die neuesten Updates zu Pykeen zu erfahren.

09.04.2020: Unsere effizienten Deep-Learning-Architekturen bilden die KI-Engine des Harvard-Projekts "Slow Down COVID-19"

Die meisten tiefen neuronalen Netze zur Diagnose von Tuberkulose in Röntgenbildern basieren auf Forschung zu natürlichen Bildern (Fotografien). Diese Modelle wurden nicht für Röntgenbilder optimiert: sie haben viele Parameter und hohe Hardwareanforderungen. Dadurch besteht Overfitting-Gefahr und mobile Nutzung ist problematisch. In einem fakultätsübergreifenden Projekt an der Technischen Universität München haben wir ein einfaches, für das Problem optimiertes neuronales Netz vorgeschlagen, das schneller und effizienter als frühere Modelle ist, aber deren Genauigkeit beibehält. Die Ergebnisse wurden in Scientific Reports veröffentlicht (https://www.nature.com/articles/s41598-019-42557-4). Unsere effizienten Architekturen finden unter anderem Einsatz als KI-Engine des Projekts "Slow Down COVID-19" (http://www.slowdowncovid19.org/) an der Harvard Medical School.

12.02.2020: MLWin Paper wurde bei der AAAI-20 Konferenz vorgestellt

Das MLWin Team hat ein Paper bei der bei der AAAI Conference on Artificial Intelligence 2020 in New York präsentiert. In der Arbeit „Reasoning on Knowledge Graphs with Debate Dynamics“ wurde eine interpretierbare Methode des maschinellen Lernens entwickelt, welche die Vorhersage von Fakten in Wissensgraphen als Debattierspiel zwischen konkurrierenden, selbständig lernenden Agenten modelliert. Die Arbeit entstand in Rahmen einer Zusammenarbeit zwischen Siemens AG und LMU, bei der unter anderem die Projektmitarbeiter Marcel Hildebrandt, Yunpu Ma und Volker Tresp beteiligt waren. Das Paper kann unter https://arxiv.org/abs/2001.00461 abgerufen werden.

18.11-19.11.19: Konsortialtreffen am Internistischen Zentrum (INZ) in Erlangen

Vom 18.11 bis 19.11.19 findet das zweite Konsortialtreffen von MLwin am Internistischen Zentrum (INZ) in Erlangen statt. Schwerpunkt des Treffens wird die Vorstellung der Arbeitsergebnisse aus den ersten Milestones sein. Darüber hinaus werden detaillierter weitere Anknüpfungspunkte und Anwendungsbereiche im medizinischen Kontext ausgearbeitet.

22.01-23.01.19: Konsortialtreffen bei SIEMENS CT in München

Vom 22.01 bis 23.01.19 fand das erste Konsortialtreffen von MLwin bei SIEMENS CT in München statt. Schwerpunkt des Treffens war die Anwendung der im Projekt entwickelten grundlegenden Methoden auf die medizinische Leitanwendung.

Forschungspartner

Liste der Partnerinstitutionen im Verbundprojekt

Siemens AG

Corporate Techonology

UBO

Rheinische Friedrich-Wilhelms-Universität Bonn

(UBO)

Ludwig-Maximilians-Universität München

(LMU)

Technische Universität München

(TUM)

Universitäts­klinikum Erlangen, Comprehensive Cancer Center Erlangen-EMN

(CCC)

Fraunhofer-Institut für Intelligente Analyse- und Informations­systeme

(IAIS)

Institut für Frauengesundheit

(IFG)