Direkt zum Inhalt, zum Menü.


Logo des BMBFLogo des BMBF Logo ProjektträgerLogo NKS-IKT

Navigationsbereich

Servicemenü

  • English
  • Startseite
  • Inhalt
  • Kontakt
  • Impressum
  • Datenschutz
  • Gebärdensprache (DGS)
  • Leichte Sprache

Suche

Hauptthemen

  • Förderschwerpunkte
    • Künstliche Intelligenz
      • Basissystem Industrie 4.0
        • KMU-innovativ: IKT
          • KI für KMU
            • Software-Sprint
            • Europäische Initiativen
              • Digitalisierung der Automobilindustrie
              • Höchstleistungsrechnen
              • Big Data
                • Emergente IT-Systeme
                  • Software Engineering
                  • Förderinformationen
                    • Bekanntmachungen
                    • Nachwuchsförderung
                  • Service
                    • Ansprechpartner
                    • Veranstaltungen/Termine
                    • Publikationen
                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                      • KI-Servicezentren
                      • KI-Nachwuchsgruppen
                      • KI-Erzeugung von synthetischen Daten für KI
                      • KI-Kompetenzzentren
                      • KI-Nachwuchswissenschaftlerinnen (ausgewählter Menüpunkt)
                      • KI-in der Praxis
                      • KI-Erklärbarkeit und Transparenz
                      • KI-Labore
                      • Smart Data Innovation Lab
                      • Maschinelles Lernen / Data Analytics
                      • ML-Qualifizierungsmaßnahmen
                      • ML-Forschungsvorhaben
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                  • Service

                  Alle Themen

                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                      • KI-Servicezentren
                      • KI-Nachwuchsgruppen
                      • KI-Erzeugung von synthetischen Daten für KI
                      • KI-Kompetenzzentren
                      • KI-Nachwuchswissenschaftlerinnen (ausgewählter Menüpunkt)
                      • KI-in der Praxis
                      • KI-Erklärbarkeit und Transparenz
                      • KI-Labore
                      • Smart Data Innovation Lab
                      • Maschinelles Lernen / Data Analytics
                      • ML-Qualifizierungsmaßnahmen
                      • ML-Forschungsvorhaben
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                  • Service

                  Seitenpfad und Links zu sozialen Netzwerken

                  Sie sind hier:

                  1. Startseite
                  2. Förderschwerpunkte
                  3. Künstliche Intelligenz
                  4. KI-Nachwuchswissenschaftlerinnen (ausgewählter Menüpunkt)

                  KI-Nachwuchswissenschaftlerinnen

                  KI-Nachwuchswissenschaftlerinnen

                  Mit der Bekanntmachung „Förderung von KI-Nachwuchswissenschaftlerinnen“ vom 19. Juni 2019 wird das Ziel verfolgt, den Anteil qualifizierter Frauen in Führungspositionen der deutschen KI-Forschung zu steigern und den Einfluss von Wissenschaftlerinnen auf das Themengebiet nachhaltig zu stärken. Die Erforschung von KI-Fragestellungen zu neuartigen und innovativen Themen durch Nachwuchsgruppen, die von Frauen geleitet werden, steht im Fokus. Nachwuchswissenschaftlerinnen aus den Fachbereichen Informatik, Mathematik, Physik, Linguistik, Neuro- und Kognitionswissenschaften, Psychologie oder angrenzender Fachgebiete sowie aus KI-bezogenen Spezialisierungen in Anwendungsgebieten werden gefördert, um die Forschung zum Thema KI in Deutschland weiter voranzubringen und um die verantwortungsvolle Beteiligung von herausragend qualifizierten Frauen im Wissenschaftssystem weiter zu erhöhen. Mit der Förderung der Nachwuchsgruppen soll den Wissenschaftlerinnen die Möglichkeit gegeben werden, eigenständige Forschung zu betreiben, ihr wissenschaftliches Profil zu stärken und ihre Sichtbarkeit zu erhöhen.

                  AEye

                  Künstliche Intelligenz für Eyetracking-Daten. Deep Learning-Methoden zur automatischen Analyse kognitiver Prozesse

                  Die Bewegungen der Augen verraten viel über die (oft unbewussten) Prozesse, die im Gehirn ablaufen. Die im Bereich der Kognitiven Psychologie angesiedelte Blickbewegungsforschung hat in den vergangenen Jahrzehnten umfangreiche Erkenntnisse über die Zusammenhänge von neurokogni-tiven Prozessen und Blickbewegungen gewonnen. So weiß man z. B., dass Sprachverarbeitungsprozesse die Blickbewegungen beim Lesen beeinflussen oder dass sich Konzentration und Müdigkeit auf die Bewegungen der Augen auswirken. In der kognitionspsychologischen Grundlagenforschung werden Blickbewegungen als abhängige Variable verwendet, um die kognitive Architektur des Menschen zu erklären. Im Gegensatz dazu sollen in diesem Projekt durch ein Team von Nachwuchswissenschaftler*innen aus den Bereichen KI und Kognitionswissenschaften Algorithmen des Maschinellen Lernens entwickelt werden, die aus Eyetracking-Daten Rückschlüsse auf kognitive Eigenschaften oder Zustände eines Individuums ableiten. Dazu muss der für die Blickbewegung verantwortliche Stimulus in die Modellierung einbezogen und Erkenntnisse aus der kognitionspsychologischen und (computer-)linguistischen Forschung in die Modellierung integriert werden. Diese Information kann in verschiedensten KI-Anwendungen genutzt werden, z. B. bei der Früherkennung für Leserechtschreibstörungen.

                  Ansprechpartner*innen:
                  Universität Potsdam

                  Projektblatt

                  CAROLL

                  Computergestützte Rhetorik in Sozialen Medien und Recht

                  Ziel des Projekts „CAROLL“ ist die Erforschung und Entwicklung von Deep Learning Ansätzen in Kombination mit Ansätzen der formalen Semantik, um einerseits rhetorische Sprachmuster in der natürlichen Sprachverarbeitung zu berücksichtigen und andererseits die Verwendung von Rhetorik vor allem in der medialen Welt besser zu verstehen.

                  Ansprechpartner*innen:
                  Universität Passau

                  Projektblatt

                  DART

                  Datengetriebene Methoden in der Regelungstechnik

                  Das Ziel der Nachwuchsforschungsgruppe „DART“ ist es, neuartige hybride Methoden für Probleme in der Regelungstechnik zu entwickeln. Dazu sollen die bewährten physikalisch motivierten Verfahren mit modernen datengetriebenen Verfahren kombiniert werden, um die größtmögliche Leistungsfähigkeit beim Regelungsentwurf zu erzielen. Das Vorhaben verfolgt einen interdisziplinären Ansatz, indem Methoden aus der Informatik und den Ingenieurwissenschaften kombiniert und in einer übergreifenden Weise weiterentwickelt werden.

                  Ansprechpartner*innen:
                  Universität Paderborn, Heinz Nixdorf Institut (HNI) - Lehrstuhl für Regelungstechnik und Mechatronik

                  Projektblatt

                  DynSoDA

                  Dynamically Social Natural Language Processing for Discourse Analysis

                  Dieses KI-System wird auf zwei grundlegenden Neuerungen basieren: Erstens werden die sozialen Repräsentationen in den Modellen des Maschinellen Lernens als zeitlich dynamisch behandelt. Dies ist wichtig, da Menschen ihre Meinungen und ihre Kontakte zu anderen Menschen ändern, und daher nicht nur der Zustand zu einem bestimmten Zeitpunkt, sondern die gesamte zeitliche Abfolge definiert, wer wir sind und wie wir uns in zukünftigen Konversationen verhalten. Dieser zeitliche Aspekt ist z. B. bei der Entwicklung von Empfehlungssystemen bereits selbstverständlich, wurde aber bisher im Forschungsfeld der natürlichen Sprachverarbeitung vernachlässigt. Zweitens wird der Einsatz von Techniken des Transfer-Lernens und des Multitasking-Lernens auf mehreren Abstraktionsebenen in das KI-System integriert. Dies wird er ermöglichen, robust über verschiedene NLP-Domänen und Sprachen hinweg zu arbeiten. Folglich wird das DynSoDA KI-System nicht nur auf Englisch, sondern auch auf eine Reihe weiterer europäischer Sprachen anwendbar zu sein.

                  Ansprechpartner*innen:
                  Technische Universität Darmstadt

                  Projektblatt

                  E-DELIB

                  Powering up E-deliberation: towards AI-supported moderation

                  Das Ziel des Vorhabens E-DELIB ist es, mithilfe von Natural Language Processing (NLP) und Methoden aus den Politikwissenschaften eine automatische Moderation für Bürgerdialoge zu entwickeln. Es werden NLP-Methoden und -Werkzeuge entwickelt, die ein besseres Verständnis der Dynamiken digitaler Deliberationsprozesse ermöglichen, und die Skalierbarkeit digitaler Deliberation bis hin zu großen Zielgruppen (mehr Nutzer, mehr Sprachen) verbessern sollen, während gleichzeitig eine hohe Qualität im Sinne des Informationsflusses und der Inklusion aller Teilnehmenden beibehalten werden soll. Dies soll eine faire Moderation der Diskussion im Internet unterstützen. Zum Beispiel, indem der Diskursaustausch stärker fokussiert wird, indem Gemeinsamkeiten zwischen den Positionen der Teilnehmer automatisch erkannt und ihnen aufgezeigt werden. Empirisch lässt sich Moderation im Rahmen des Diskurses als eine Form der Optimierung modellieren. Der Prototyp des Moderators soll in ausgewählten Deliberationskampagnen, in Zusammenarbeit mit einem Industriepartner auf der Plattform Deliberatiorium getestet werden.

                  Ansprechpartner*innen:
                  Universität Stuttgart

                  Projektblatt

                  EKI

                  Empathische Künstliche Intelligenz

                  Die Forschungsgruppe „Empathische KI“ beschäftigt sich mit Grundlagen der KI, insbesondere mit Maschinellem Lernen fokussiert auf Sprach- und Bildverarbeitung. Drei Aspekte stehen hierbei im Fokus: die Erkennung von positivem und negativem Affekt, die Messung von Stress und die Analyse sozialer Interaktionsmuster. Alle drei eint, dass es sich um sehr komplexe, multimodale und temporale Phänomene handelt. Um der Komplexität gerecht zu werden, ist geplant, sowohl innovative Trainingsdaten zu erheben als auch neuartige Analysemethoden im Bereich des Maschinellen Lernens zu entwickeln. Empathische KI soll zudem ethisch vertretbare KI sein. Die Arbeitsgruppe entwickelt daher die Methoden basierend auf den Prinzipien Datensicherheit, Datengerechtigkeit (Repräsentation aller Gruppen) und Datensouveränität (Selbstbestimmung und Partizipation an datengetriebenen Erkenntnissen).

                  Ansprechpartner*innen:
                  Hasso-Plattner-Institut für Digital Engineering gGmbH

                  Projektblatt

                  EP-KI

                  Entscheidungsunterstützung für betriebswissenschaftliche Prozesse mit Hilfe neuer KI-Methoden

                  In den letzten Jahren wurden große Fortschritte in der Künstlichen Intelligenz, insbesondere bei Machine Learning-Verfahren erzielt. Eine aktuelle Herausforderung besteht darin, Anwendungsfelder für diese Methoden zu erschließen. Hierzu zählt auch die Anwendung in betriebswirtschaftlichen Prozessen.
                  Neben Fortschritten in der mathematischen und informatischen Methodenforschung zu Zeitreihenanalysen, Auffälligkeitsdetektion und Erklärbarkeit, spielen auch betriebswirtschaftliche Forschungsfragen zu Prognose, Prüfung (Auffälligkeitsdetektion) und Zuordnung (Clustering) eine Rolle. Charakteristisch für den betriebswirtschaftlichen Kontext ist auch die Frage, wie Erkenntnisse aus Analysen zu den handelnden Personen kommuniziert werden. Diesen Aspekten wird sich die Forschungsgruppe um Frau Dr. Schwaar am Fraunhofer Institut für Techno- und Wirtschaftsmathematik (ITWM) im Vorhaben EP-KI widmen.

                  Ansprechpartner*innen:
                  Fraunhofer Institut für Techno- und Wirtschaftsmathematik ITWM

                  Projektblatt

                  Explaining 4.0

                  Künstliche Intelligenz - Transparenz und Effizienz

                  Das Ziel des Projektes “Explaining 4.0” ist die Entwicklung von Methoden, die einen signifikanten Beitrag zu einem ganzheitlichen -globalen- Verständnis von KI-Modellen leisten. Dabei sind Effizienz (durch a priori Wissen), Verständlichkeit (durch semantische Elemente) und Robustheit die drei wesentlichen Schlüsselelemente. Als Ergebnis entsteht ein flexibles Open-Source Werkzeug, das eine breite Anwendbarkeit sowie einen nachhaltigen Transfer der Forschungsergebnisse für Industrie und Wissenschaft gewährleistet.

                  Ansprechpartner*innen:
                  Technische Universität Berlin

                  Projektblatt

                  GAIN

                  Graphs in Artificial Intelligence and Neural Networks

                  Im Projekt GAIN sollen bisher unbeantwortete Fragen zur Dynamik und Erklärbarkeit von GNNs (Graph-Neural-Networks) 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.

                  Projektpartner:
                  Universität Kassel, Fraunhofer Institut für Energiewirtschaft und Energiesystemtechnik (IEE)

                  Ansprechpartner*innen:
                  Universität Kassel

                  Projektblatt

                  HyMeKI

                  Hybridisierung von menschlicher und künstlicher Intelligenz in der Wissensarbeit

                  Fortschritte im Bereich der künstlichen Intelligenz, (insb. des maschinellen Lernens und der Spracherkennung), bieten neue Gestaltungsmöglichkeiten zur Reorganisation von Wissensarbeit an der Schnittstelle von Mensch und KI. KI-Systeme liefern nicht nur Potenziale in der Automatisierung von Routineaufgaben, sondern können als neue „Teammitglieder“ die Lösung von komplexen Aufgaben von Mitarbeiter*innen unterstützen, da sie in vielen Bereichen zum Menschen komplementäre Fähigkeiten beitragen. Ziel der Nachwuchsgruppe ist die Erforschung, Erprobung und Validierung von sozio-technischen Gestaltungsanforderungen und –mustern zur Entwicklung von KI-Systemen in der Wissensarbeit. Diese implementieren kollaborative Arbeitspraktiken der Mensch-KI-Zusammenarbeit, insbesondere zur Arbeitsteilung und um dabei transparent und nachvollziehbar Aufgaben und Arbeitsstände zu übergeben und das Lernen zwischen Menschen und KI-Systemen entsprechend ihrer jeweiligen Stärken zu fördern.

                  Ansprechpartner*innen:
                  Universität Hamburg

                  Projektblatt

                  IKIDA

                  Interaktive Künstliche Intelligenz für Domänenexperten und Alltagsnutzer

                  Ziel des Projekts „IKIDA“ ist es, KI-Algorithmen durch direkte Interaktion mit Anwender*innen anzupassen und zu optimieren. Dadurch kann die Anwendung von KI-Lösungen erleichtert und ihre Nachhaltigkeit sowie Akzeptanz gestärkt werden. Im vorliegenden Vorhaben sollen probabilistische KI-Algorithmen zum interaktiven maschinellen Lernen entwickelt werden. Probabilistische Algorithmen sind Algorithmen, die versuchen, durch die Wahl von zufälligen Zwischenergebnissen zu einem näherungsweise korrekten Ergebnis zu gelangen. Damit wird das menschliche Domänenwissen mit den Stärken der Künstlichen Intelligenz verbunden und die Mensch-KI-Interaktion durch algorithmisches Design ermöglicht. Dabei sollen explizit kognitive Modelle zur Mensch-KI-Interaktion in die algorithmische Entwicklung integriert werden.

                  Ansprechpartner*innen:
                  Technische Universität Darmstadt

                  Projektblatt

                  KI4Biodiv

                  Künstliche Intelligenz in der Biodiversitätsforschung

                  Im Rahmen der interdisziplinären KI-Forschungsgruppe werden KI-Methoden und Technologien entwickelt und verbessert, um die Biodiversität in verschiedenen Lebensräumen und Landschaften effizient, schnell und automatisiert überwachen und vorhersagen zu können. Im Vorhaben geht es darum, verschiedene Benchmarkdatensätze zu erstellen, Lernalgorithmen zur automatischen Artenbestimmung weiterzuentwickeln, die Ergebnisse zu interpretieren sowie Kontextinformation im Erkennungsprozess zu nutzen.

                  Projektpartner:
                  Max-Planck-Institut für Biogeochemie, Technische Universität Ilmenau

                  Ansprechpartner*innen:
                  Max-Planck-Institut für Biogeochemie

                  Projektblatt

                  MABISS

                  Multi-Agent Multi-Armed Bandits: Theorie und Anwendung für die intelligente gemeinsame Frequenznutzung

                  Zukünftige digitale Kommunikationsnetzwerke werden eine enorme Anzahl intelligenter Geräte miteinander verbinden. Jedes Netzwerk verfügt jedoch nur über begrenzte Ressourcen für den Betrieb. Bei kleinen Netzwerken treffen zentrale Instanzen die Entscheidungen über die effiziente Vergabe der Ressourcen. In sehr großen Netzwerken verhindert die extrem große Anzahl von Geräten und deren Eigenschaften eine effiziente zentralisierte Steuerung. Darüber hinaus verkomplizieren ökonomische Aspekte neben der Datensicherheit, der Zuverlässigkeit und des Datenschutzes, eine einzelne Instanz zur Netzwerksteuerung zu bestimmen. Weil die Geräte miteinander interagieren, besteht eine Lösung für diese Herausforderung darin, den Geräten eigene Entscheidungen für die Steuerung zu ermöglichen. Dies kann jedoch zu Konflikten, Unsicherheit und Ineffizienz führen. Die Frage ist also, wie die verteilte Entscheidungsfindung gestaltet werden kann, so dass die Stabilität, Sicherheit, Zuverlässigkeit und Effizienz von Netzwerken gewährleistet wird.

                  Ansprechpartner*innen:
                  Technische Universität Berlin

                  Projektblatt

                  MoDL

                  Modellbasiertes Deep Learning für Computer Vision Probleme

                  Eine Gruppe aus Forscherinnen und Forschern möchte im Projekt MoDL den KI-Methoden über klassische Modelle eine Art „Vorwissen“ vermitteln, um die Lösungsvielfalt einzuschränken und so effektiveres Training der KI-Modelle zu ermöglichen. Konkret geht es um Modellbasierte Deep Learning Lösungen auf dem Gebiet der Bildverarbeitung. Tiefe neuronale Netze sollen mit Vorwissen über physikalische und kausale Zusammenhänge versorgt werden. Neben einem effektiveren Training mit kleineren Datensätzen soll auch ein Beitrag zur Interpretierbarkeit und Generalisierbarkeit der entstehenden KI-Modelle geleistet werden. In MoDL sollen komplexe Problemstellungen auf dem Weg zur Generierung von Modellen aus visuellen Daten behandelt werden: Rekonstruktion der 3D Geometrie von komplexen Objekten aus 2D Bilddaten, Erfassung und Modellierung nicht-starrer Bewegungen (Verformungen), sowie Schätzung und Modellierung von Reflexionseigenschaften, Textur und Schattierung der Objekte.

                  Ansprechpartner*innen:
                  Fraunhofer Institut für Nachrichtentechnik, Heinrich-Hertz-Institut

                  Projektblatt

                  NAVAS

                  Navigation Approaches for Answer Sets

                  Ziel von NAVAS ist es, Nutzerin und Nutzer eine interaktive, transparente und zielgerichtete Navigation zu den Gebieten im Lösungsraum von ASP-Programmen zu ermöglichen, die für die Anwendung von Bedeutung und Interesse sind. Der ASP-Solver soll nicht länger eine Black Box sein, die unkontrolliert und ungeordnet Lösungen ohne eine Möglichkeit der Einflussnahme produziert.

                  Ansprechpartner*innen:
                  Technische Universität Dresden

                  Projektblatt

                  PI-AI

                  Public Interest AI

                  Die Forschungsgruppe Public Interest AI entwickelt über die Projektlaufzeit von vier Jahren ein operationalisierbares Analyseverfahren, dass letztlich beantwortet, wie sich Public Interest AI (gemeinwohlorientierte KI) definieren lässt und welche Faktoren genau den Beitrag zum Gemeinwohl erhöhen oder verringern. Das Analyseverfahren ermöglicht es die Gemeinwohlorientierung von KI-Anwendungen auf drei Analyseebenen anhand von definierten Kriterien zu beurteilen: Auf Ebene der argumentativen Projektbeschreibung im Gemeinwohlkontext, der technischen Umsetzung der KI oder der Usability und dem Anwendungskontext der KI.

                  Ansprechpartner*innen:
                  Alexander von Humboldt Institut für Internet und Gesellschaft gGmbH

                  Projektblatt

                  QuantVID

                  Quantitative Videodarstellung für die Untersuchung von Verhalten

                  Ziel von QuantVID ist es, neue Berechnungsmethoden zur Extraktion und Quantifizierung von aussagekräftigem Wissen aus Videoaufzeichnungen zu entwickeln. Das Projekt wird sich den aktuellen Herausforderungen der Videoanalyse widmen, indem Aufzeichnungen von Tierverhalten untersucht werden: von einem sich bewegenden Wurm C. elegans und von Honigbienen in einem Bienenstock.

                  Ansprechpartner*innen:
                  Universität zu Köln

                  Projektblatt

                  SAI

                  Seismologie und Artifizielle Intelligenz

                  Ziel des Projekts „SAI“ ist die Erforschung und Entwicklung von KI-Methoden und -Ansätzen zur Leistungsverbesserung von Frühwarnsystemen. Dazu werden im Vorhaben Deep Learning basierte Algorithmen und Modelle entwickelt, die in der Lage sind, seismische Signale und Aktivitäten selbstständig zu erkennen, zu entschlüsseln und zu erlernen. Dadurch können räumliche und zeitliche Koordinaten zukünftiger Erdbeben identifiziert werden, an denen die größte Wahrscheinlichkeit lokaler Brüche besteht. Der Einsatz von Künstlicher Intelligenz in den Geowissenschaften, insbesondere in der Seismologie, befindet sich noch in einem frühen Forschungsstadium. Mit dem vorliegenden Vorhaben könnte sich eine neue Forschungsrichtung auf dem Gebiet der Erdbebenvorhersage und der Verarbeitung der Erdbebenaufzeichnungen etablieren. Das Vorhaben wird von drei assoziierten Forschungspartnern, der Goethe Universität (Fachbereich Geowissenschaften), der Chinese Academy of Sciences (Institute of Geology and Geophysics) und des Institute of Geo Science Australia, mit Bereitstellung von realen seismischen Daten sowie mit fachspezifischen Know-how und Expertisen unterstützt.

                  Ansprechpartner*innen:
                  Frankfurt Institute for Advanced Studies (FIAS)

                  Projektblatt

                  SAIE

                  Schnelle Algorithmen für transparente Empfehlungssysteme

                  Ziel von SAlE (gesprochen: SALE) ist es, effiziente Algorithmen zur Datenanalyse zu entwickeln, mit denen die Analyse- bzw. Prognoseergebnisse auf Basis der zugrundeliegenden Daten nachzuvollziehen sind. Dabei werden einerseits effiziente Lösungen für spezielle Datenanalyseprobleme entwickelt. Andererseits sollen mathematische Näherungsverfahren für hochdimensionale Daten verbessert werden. Weiterhin sollen durch qualifizierte Simulationen und Tests Aussagen zur Robustheit gegenüber Unsicherheiten in den gegebenen Daten getroffen werden.

                  Ansprechpartner*innen:
                  Technische Universität Chemnitz, Technische Universität Berlin

                  Projektblatt

                  SeDis

                  Semantic Disentanglement: Unterscheidung von Stil und Thema in Textdaten

                  Das Projekt SeDis möchte aktuelle Forschungsansätze und -ergebnisse zu Sprach- und Themenmodellen zusammenführen. Ziel ist es, ein kombiniertes Modell für Textdaten zu entwickeln, das den Inhalt und den Textstil als unabhängig zu verarbeitende Elemente repräsentieren kann Die Lösungsidee basiert auf der Nutzung tiefer neuronaler Netze (Deep Neuronal Networks - DNN). Während es für die Verarbeitung von Bilddaten mittels DNN bereits erfolgreiche Verfahren gibt, ist noch nicht sicher, wie vergleichbare Ergebnisse auch für Texte erzielt werden können. Hierfür ist noch zu erforschen, wie DNN mit diskreten Daten, wie sie Texte darstellen, umgehen können.

                  Ansprechpartner*innen:
                  Johannes Gutenberg-Universität Mainz - Institut für Informatik

                  Projektblatt


                  Seitenübersicht

                  • Förderschwerpunkte
                    • Künstliche Intelligenz
                    • Basissystem Industrie 4.0
                    • KMU-innovativ: IKT
                    • KI für KMU
                    • Software-Sprint
                    • Europäische Initiativen
                    • Digitalisierung der Automobilindustrie
                    • Höchstleistungsrechnen
                    • Big Data
                    • Emergente IT-Systeme
                    • Software Engineering
                  • Förderinformationen
                    • Bekanntmachungen
                    • Nachwuchsförderung
                  • Service
                    • Ansprechpartner
                    • Veranstaltungen/Termine
                    • Publikationen