TY  - THES
AB  - Die Qualität von Lösungen des maschinellen Lernens wird durch das Zusammenspiel zwischen der Modellklasse, dem Lernalgorithmus einschließlich der Lossfunktion, sowie den Trainingsdaten bestimmt. Für Letzteres stellen präzise Labels den Goldstandard dar. Jedoch garantiert Präzision der Labels selbst nicht deren Korrektheit. Vielmehr lassen sich Labels oft nur imperfekt erfassen, wodurch Modelle potenziell verzerrt werden. Daher werden Lernmodelle zur Robustheit in der Regel an die Trainingsdaten angepasst, was jedoch oft mit einer erhöhten Modellkomplexität und eingeschränkter Generalisierbarkeit einhergeht. In dieser Arbeit nehmen wir eine alternative Perspektive ein, indem wir die Robustheit durch die (Re-)Modellierung der Labels verbessern. Dazu schlagen wir eine gezielte Abschwächung von zuvor präzisen Labels vor, um eine wahrheitsgetreuere Annahmen über die Grundwahrheit zu erreichen. Auf diese Weise werden die Labels, obwohl weniger präzise, korrekter dargestellt, wodurch der Einfluss von Verzerrungen abgeschwächt wird. Wir betrachten zwei Formen der Impräzisierung: Ersetzen von präzisen Labels durch Mengen und durch Ordnungsrelationen. Ersteres wird durch die Modellierung von (unscharfen) Obermengen realisiert, die das ursprüngliche Label durch zusätzliche plausible Kandidaten für die Repräsentation der Grundwahrheit erweitert. In Kombination mit Methoden aus dem Bereich des superset learnings ermöglicht dieser Ansatz die Modulierung des Einflusses von potenziell verzerrenden Instanzen im Lernprozess. Für die zweite Form der abgeschwächten Überwachung schlagen wir vor, die Modellierung der Zielgrößen in Form von relativen Vergleichen ihrer zugrunde liegenden numerischen Grundwahrheiten zu realisieren. Dies erlaubt den Einsatz von Präferenzlernen für Regressionsprobleme.
AU  - Lienen, Julian
CY  - Paderborn
DA  - 2023
DO  - 10.17619/UNIPB/1-1850
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 17.11.2023
N1  - Universität Paderborn, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (xii, 292 Seiten)
T2  - Institut für Informatik
TI  - Robustifying machine learning through weakening supervision
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-46121
Y2  - 2025-06-24T01:38:18
ER  -