Motivation
Bestehende Machine-Learning (ML) Modelle basieren typischerweise auf Korrelationen, aber nicht auf Kausalität. Dies kann zu Fehlern und letztendlich schlechter Performance beim Anwenden von Künstlicher Intelligenz (KI) führen. Das Wissen über kausale Zusammenhänge hat eine besondere Bedeutung, wenn man basierend auf Erkenntnissen eine Veränderung vornehmen möchte: als Arzt möchte man zum Beispiel wissen, warum eine Krankheit entsteht und wie man sie behandeln kann. Um dieses Defizit zu adressieren, zielt das Forschungsvorhaben CausalNet darauf ab, neuartige Methoden zur Integration von Kausalität in die Modellarchitekturen zu entwickeln.
Ziele und Vorgehen
Im Projekt nutzen die Forschenden Werkzeuge aus dem Repräsentationslernen, der Theorie der statistischen Effizienz und spezifische ML-Verfahren. Zur Steigerung der Flexibilität der Methoden entwickelt das Projekt ein allgemeines kausales Grundlagenmodell, einschließlich hochdimensionaler, zeitlicher und multimodaler Daten. Zur Stärkung der Effizienz werden Techniken für effiziente Lernalgorithmen, die speziell auf kausales maschinelles Lernen zugeschnitten sind, wie beispielsweise synthetisches Vortraining, Transferlernen und Few-Shot-Learning untersucht. Außerdem sollen Verfahren zur Überprüfung und Verbesserung der Robustheit hervorgebracht werden, wie beispielsweise neue Benchmark-Umgebungen und -Datensätze. Die Effektivität und Robustheit der neuen Methoden werden mit theoretischen Herleitungen gezeigt.
Innovationen und Perspektiven
Die Erkenntnisse und Ergebnisse werden an verschiedenen Use Cases aus Wirtschaft, öffentlichem Sektor und Bioinformatik erprobt. Die Umsetzung basiert auf neuronalen Netzwerken, die später als das „Causal ML-Toolchain“ publiziert werden. Dies umfasst die Veröffentlichung neuer Datensätze, Benchmarking-Software, Open-Source-Code für kausale und vortrainierte, kausale ML-Modelle für verschiedene Anwendungen.