Deep Transfer unterstützt zukunftsweisendes maschinelles Lernen
Im Technikzeitalter ist maschinelles Lernen ein spannendes und äußerst vielversprechendes Forschungsgebiet, das die Wissenschaft auf vielfältige Weise voranbringen wird, etwa in Form verbesserter Wetterprognosen oder der Vorhersage der Krebsprogression. Das EU-finanzierte Projekt DEEP TRANSFER (Deep transfer: generalizing across domains) arbeitete an der Entwicklung neuer Algorithmen, die Modelle aus Daten erlernen, um das maschinelle Lernen zu verbessern. Im Allgemeinen besteht eine zentrale Herausforderung des maschinellen Lernens darin, eine ausreichende Menge an Trainingsdaten zu erzielen, um in der Lage zu sein, ein möglichst genaues Modell herauszufinden. Das Projekt zielte darauf ab, diese Herausforderung zu meistern, indem man einen Algorithmus in die Lage versetzt, beim Erlernen eines Modells Daten aus einer Quellaufgabe sowie Daten des Zielproblems zu berücksichtigen. Man konzentrierte sich auf das Konzept des Deep Transfer, d. h. die Fähigkeit, Wissen über sehr unterschiedliche Domänen hinweg zu übertragen. Um diese Ziele zu erreichen, entwickelte das Projektteam ein neuartiges Framework, das den innovativen Deep Transfer ausnutzt. Man stützte sich auf ein generatives Modell der Welt, das den Transfer durch Förderung der Wiederverwendung von wichtigen, automatisch entdeckten, hochrangigen Regelmäßigkeiten (z. B. Transitivität, Symmetrie und Homophilie) über die Domänen hinweg durchführt. Getestet wurde an drei Echtwortdatensätzen, d. h. einem Protein-Protein-Wechselwirkungsdatensatz im Zusammenhang mit Hefe, einer Internetdomain über Informatikabteilungen und einer Sammlung von Twitterdaten. Im Vergleich zu anderen Transfer-Lernansätzen und dem von Grund auf neu Lernen resultierte der Ansatz des Teams in einer erheblichen Verbesserung in Bezug auf Genauigkeit und Laufzeit. Er brachte überdies den Wissensstand in anderen Bereichen des maschinellen Lernens einschließlich der empirischen Auswertung gelernter Modelle, des probabilistischen Modelllernens und des statistischen relationalen Lernens voran. Neben den wegbereitenden technischen Fortschritten, die man auf dem Gebiet erreicht hat, veröffentlichte das Projekt außerdem den entsprechenden Code und relevante Daten für mehrere Systeme, womit die weitere Forschung auf dem Gebiet vereinfacht wird. Eine besondere Anwendung, bei der sich Projektalgorithmen als erfolgreich erwiesen, umfasste die Analyse von Wechselwirkungen im Krankheitsgeschehen. Da maschinelles Lernen zu einer immer allgegenwärtigeren Technologie wird, wird es immer mehr wissenschaftsgeleitete Entdeckungen und Anwendungen unterstützen.
Schlüsselbegriffe
Deep Transfer, maschinelles Lernen, probabilistic model learning, probabilistisches Lernmodell, statistisches relationales Lernen, Wechselwirkungen im Krankheitsgeschehen
