Forschung
Projekte

Projekte

  • ERC Starting Grant: Interactive and Explainable Human-Centered AutoML
    Trust and interactivity are key factors in the future development and use of automated machine learning (AutoML), supporting developers and researchers in determining powerful task-specific machine learning pipelines, including pre-processing, predictive algorithm, their hyperparameters and--if applicable--the architecture design of deep neural networks. Although AutoML is ready for its prime time after it achieved impressive results in several machine learning (ML) applications and its efficiency improved by several orders of magnitudes in recent years, democratization of machine learning via AutoML is still not achieved. In contrast to previously purely automation-centered approaches, ixAutoML is designed with human users at its heart in several stages. First of all, the foundation of trustful use of AutoML will be based on explanations of its results and processes. Therefore, we aim for: (i) Explaining static effects of design decisions in ML pipelines optimized by state-of-the-art AutoML systems. (ii) Explaining dynamic AutoML policies for temporal aspects of dynamically adapted hyperparameters while ML models are trained. These explanations will be the base for allowing interactions, bringing the best of two worlds together: human intuition and generalization capabilities for complex systems, and efficiency of systematic optimization approaches for AutoML. Concretely, we aim for: (iii) Enabling interactions between humans and AutoML by taking human's latent knowledge into account and learning when to interact. (iv) Building first ixAutoML prototypes and showing its efficiency in the context of Industry 4.0. Perfectly aligned with the EU's AI strategy and recent efforts on interpretability in the ML community, we strongly believe that this timely human-centered ixAutoML will have a substantial impact on the democratization of machine learning.
    Leitung: Prof. Dr. Marius Lindauer
    Jahr: 2022
    Förderung: EU
    Laufzeit: 2022-2027
  • CoyPu: Cognitive Economy Intelligence Plattform für die Resilienz wirtschaftlicher Ökosysteme
    Naturkatastrophen, Pandemien, Finanzkrisen, politische Krisen und Angebotsknappeheiten oder Nachfrageschocks propagieren sich durch offensichtliche und latente Handelsbeziehungen durch das globale ökonomische System. Dies ist eine Konsequenz der kontinuierlichen Globalisierung mit der einhergehenden Arbeitsteilung. Ziel dieses Projektes ist es diese Verbindungen offenzulegen und kaskadierende Risiken vorherzusagen um damit Unternehmen die Möglichkeit einzuräumen vorausschauend agieren zu können.
    Leitung: Prof. Marius Lindauer and Prof. Maria Esther-Vidal (L3S/LUH)
    Team: InfAI, DATEV eg., eccenca GmbH, Implisense GmbH, Deutsches Institut für Wirtschaftsforschung, Leibniz Informationszentrum Technik und Naturwissenschaften, Hamburger Informatik Technologie-Center e.V., Selbstregulierung Informationswirtschaft e.V., Infineo
    Jahr: 2021
    Förderung: Innovationswettbewerb Künstliche Intelligenz (BMWK)
    Laufzeit: 2021-2024
  • Leibniz AI Academy
    The Leibniz AI Academy aims to develop and establish a trans-curricular and interdisciplinary micro-degree program at the Leibniz Universität Hannover (LUH), in which students from different courses of study acquire competencies in the field of Artificial Intelligence
    Leitung: Prof. Dr. Marius Lindauer, Prof. Dr. Ralph Ewert, Prof. Dr. Johannes Krugel
    Jahr: 2021
    Förderung: Bundesministerium für Bildung und Forschung (BMBF)
    Laufzeit: 2021 - 2024
    Logo of Leibniz AI academy Logo of Leibniz AI academy
  • Dynamic Algorithm Configuration
    Da die Konfigurationen während der Laufzeit in Abhängigkeit vom aktuellen Zustand des Algorithmus ausgewählt werden sollten, kann es als ein Problem des Reinforcement Learning (RL) betrachtet werden, bei dem ein Agent in jedem Zeitschritt die zu verwendende Konfiguration auf der Grundlage der Leistung im letzten Schritt und des aktuellen Zustands des Algorithmus auswählt. Dies ermöglicht uns einerseits den Einsatz leistungsfähiger RL-Methoden, andererseits bringt RL auch eine Reihe von Herausforderungen mit sich, wie Instabilität, Rauschen und Ineffizienz bei der Abtastung, die bei Anwendungen wie DAC angegangen werden müssen. Daher umfasst die Forschung zu DAC auch die Forschung zu zuverlässigem, interpretierbarem, allgemeinem und schnellem Reinforcement Learning.
    Leitung: Prof. Dr. Marius Lindauer
    Jahr: 2019
    Förderung: DFG
    Laufzeit: 2019-2023