Motivation
Dank der stark gestiegenen Rechenleistung von Computern und der Verfügbarkeit großer Datenmengen haben künstliche neuronale Netze (KNN) in den letzten Jahren das Maschinelle Lernen revolutioniert. In Bereichen wie Bildklassifikation, Gesichtserkennung und Computerspielen wurden Ergebnisse erzielt, die stellenweise über das menschliche Vermögen hinausgehen. Im industriellen Kontext gibt es eine große Anzahl an Anwendungen, in denen Daten keine regulären Strukturen aufweisen, sondern als sogenannter Graph vorliegen, also als eine Menge aus Knotenpunkten und ihren Verbindungen. Hierzu gehören z.B. verschiedenste soziale Netzwerke oder auch Versorgungsstrukturnetze. Graph-Neural-Networks (GNNs) erweitern die Konzepte klassischer KNN auf Daten, welche in Form von Graphen vorliegen.
Ziele und Vorgehen
Im Projekt GAIN sollen bisher unbeantwortete Fragen zur Dynamik und Erklärbarkeit von GNNs gelöst werden. Konkret sollen innovative Modelle für dynamische und erklärbare GNNs entwickelt werden. Dynamik bedeutet hier eine variable Knoten- und Verbindungszahl, sowie sich zeitlich ändernde Merkmale der Knoten im Graph. Erklärbarkeit bedeutet, dass dem Nutzer, im Gegensatz zu anderen Verfahren des Maschinellen Lernens, nicht nur eine Vorhersage geliefert wird, sondern auch eine Begründung für diese. Die im Projekt entwickelten Modelle werden anhand von Use Cases im Kontext von Infrastrukturnetzen validiert.
Innovationen und Perspektiven
Die Verwertung innerhalb des Projektes wird hauptsächlich wissenschaftlich erfolgen, d.h. die Ergebnisse werden auf Konferenzen und in wissenschaftlichen Journalen publiziert. Es sollen mindestens zwei Mitarbeitende ihre Promotion während der Projektlaufzeit abschließen können, darüber hinaus sind weiter Qualifizierungsarbeiten geplant.