Technische Kriterien zur Gewährleistung der Konvergenz und Ergebnisstabilität von Verfahren des dynamischen maschinellen Lernens (ML-Lernbarkeit)

Ziel des Projektes ist die Untersuchung aktueller Berechnungsansätze für algorithmischen Stabilität, Konvergenz und Konsistenz von repräsentativen Verfahren des dynamischen Maschinellen Lernens (z.B. Recurrent (Convolutional) Neural Networks, Dynamic Graph Convolutional Networks, etc.). In der ersten Phase sollen bekannte dynamische ML-Verfahren nach bestimmten Kriterien (u.A. Komplexität, Performance und Stabilität) kategorisiert und repräsentative Modelle ausgewählt werden. Anhand dieser Modelle werden in der zweiten Phase verschiedene Metriken für die Stabilität, Konvergenz und Konsistenz hinsichtlich ihrer Effektivität und Anwendbarkeit begutachtet. Parallel dazu sollen qualitative und quantitative Kriterien für die Fehleranfälligkeit der Modelle entwickelt werden. Im letzten Abschnitt werden daraus Empfehlungen zur Anpassung der Modelle abgeleitet und angewandt. Die Empfehlungen sollen an existierenden Metriken der Robustheit und Zuverlässigkeit getestet werden.