• Navigation überspringen
  • Zur Navigation
  • Zum Seitenende
Organisationsmenü öffnen Organisationsmenü schließen
Lehrstuhl für Informatik 6
  • FAUZur zentralen FAU Website
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik
  • en
  • de
  • Kontakt
  • Impressum
  • Datenschutz
  • Barrierefreiheit
  1. Friedrich-Alexander-Universität
  2. Technische Fakultät
  3. Department Informatik

Lehrstuhl für Informatik 6

Menu Menu schließen
  • Lehrstuhl
    • Aktuelles
    • Über uns
    • Personen
    • Kontakt
    Hauptseite Lehrstuhl
  • Forschung
    • Evolutionäre Informationssysteme
      • Sprechaktbasiertes Fallmanagement
      • Open and Collaborative Query-Driven Analytics
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Schemainferenz und maschinelles Lernen
    • Datenqualität
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
      • Datenqualität und Innovationsfähigkeit von Medizinprodukten
    • Datenintegration
      • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
      • Open and Collaborative Query-Driven Analytics
      • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
      • Schemainferenz und maschinelles Lernen
    • Prozessmanagement
      • Sprechaktbasiertes Fallmanagement
    • Datenbanksysteme
      • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
      • Know Your Queries!
      • Bewertung von Datenspeichersystemen
      • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
      • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
      • Schemainferenz und maschinelles Lernen
      • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration (Arbeitstitel, noch vorläufig)
      • Data Stream Application Manager
    • Datenstromsysteme
      • Data Stream Application Manager
      • Systemübergreifende Optimierung von Datenstromanfragen
    • Datenmanagement in den Digital Humanities
      • Franken in historischen Reiseberichten
      • Campusnetzwerk Digitale Geistes- und Sozialwissenschaften
    • Moderne Datenbanksysteme
    • Abgeschlossene Forschungsprojekte
    • Veröffentlichungen
    Hauptseite Forschung
  • Lehre
    • Lehrveranstaltungen
    • Curriculum
    • Examensarbeiten
    • Prüfungsinformationen
    Hauptseite Lehre
  1. Startseite
  2. Forschung
  3. Evolutionäre Informationssysteme
  4. Schemainferenz und maschinelles Lernen

Schemainferenz und maschinelles Lernen

Bereichsnavigation: Forschung
  • Abgeschlossene Forschungsprojekte
    • BPM 2016
    • BPM 2017
    • Forschungsprojekte von Prof. Meyer-Wegener an der TU Dresden
  • Veröffentlichungen
  • Evolutionäre Informationssysteme
    • Sprechaktbasiertes Fallmanagement
    • Open and Collaborative Query-Driven Analytics
    • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
    • Schemainferenz und maschinelles Lernen
  • Datenqualität
    • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
    • Datenqualität und Innovationsfähigkeit von Medizinprodukten
  • Datenintegration
    • DQ-Step – Improvement of data quality at a reference enterprise in plant engineering
    • Open and Collaborative Query-Driven Analytics
    • Processing Heterogeneous Assets and Resources to discover Ontologies and Semantics
    • Schemainferenz und maschinelles Lernen
  • Prozessmanagement
    • Sprechaktbasiertes Fallmanagement
  • Datenbanksysteme
    • REAPER: A Framework for Materializing and Reusing Deep-Learning Models
    • Data Stream Application Manager
    • Know Your Queries!
    • Bewertung von Datenspeichersystemen
    • Anfrageoptimierung und Daten-nahe Verarbeitung auf Rekonfigurierbaren SoCs für Big-Data-Analyse
    • Query-Optimierung und Near-Data-Processing auf rekonfigurierbaren SoCs für Big Data Analyse (Phase II)
    • Schemainferenz und maschinelles Lernen
    • Architektur von Nicht-Multiplen Autoencodern mit Nicht-Verlustbehafteter Informations-Agglomeration (Arbeitstitel, noch vorläufig)
  • Datenstromsysteme
    • Data Stream Application Manager
    • Systemübergreifende Optimierung von Datenstromanfragen
  • Datenmanagement in den Digital Humanities
    • Franken in historischen Reiseberichten
    • Campusnetzwerk Digitale Geistes- und Sozialwissenschaften
  • Moderne Datenbanksysteme

Schemainferenz und maschinelles Lernen

Schemainferenz und maschinelles Lernen

(Projekt aus Eigenmitteln)

Titel des Gesamtprojektes:
Projektleitung: Richard Lenz
Projektbeteiligte:
Projektstart: 1. August 2018
Projektende:
Akronym: SIML
Mittelgeber:
URL:

Abstract

Im Rahmen des Projekts SIML (Schemainferenz und
maschinelles Lernen) sollen aus unstrukturierten und semi-strukturierten Daten Informationen gewonnen werden, aus denen ein partielles konzeptuelles Schema abgeleitet werden kann. Methoden der topologischen Datenanalyse (TDA) werden in Kombination mit maschinellen Lernverfahren eingesetzt um dies weitestgehend zu automatisieren. Die Untersuchung von topologischen Merkmalen bietet eine Möglichkeit Informationen über Daten zu gewinnen, die als qualitativ verstanden werden. Insbesondere interessieren wir uns für eine stabile, persistente Form von natürlichen Daten bei der Verwendung von unüberwachten Lernverfahren. Als Kernkonzept sollen funktionale Abhängigkeiten nach der Aufbereitung der Daten untersucht werden, mit deren Hilfe anschließend ein geeignetes Schema definiert werden kann. Dabei gibt es Parallelen und Unterschiede für Zeitreihen bzw. persistente Daten, die ebenfalls herausgearbeitet werden sollen.

Motivation des Projekts ist der Nachweis, dass Schemata
eine natürliche geometrische Struktur in Form eines Simplizialkomplexes aufweisen,
die mittels topologischer Methoden untersucht bzw. sichtbar gemacht werden kann.

Publikationen

  • Melodia L., Lenz R.:
    Persistent Homology as Stopping-Criterion for Voronoi Interpolation
    20th International Workshop on Combinatorial Image Analysis (Novi Sad, 16. Juli 2020 - 18. Juli 2020)
    In: Tibor Lukić, Reneta P. Barneva, Valentin E. Brimkov, Lidija Čomić, Nataša Sladoje (Hrsg.): Proceedings of the 20th International Workshop on Combinatorial Image Analysis, Berlin: 2020
    DOI: 10.1007/978-3-030-51002-2
    URL: https://link.springer.com/book/10.1007/978-3-030-51002-2
    BibTeX: Download
  • Melodia L., Lenz R.:
    Estimate of the Neural Network Dimension Using Algebraic Topology and Lie Theory
    Image Mining. Theory and Applications VII (Mailand, 10. Januar 2021 - 11. Januar 2021)
    In: Alberto Del Bimbo, Rita Cucchiara, Stan Sciaroff, Giovanni Maria Farinella, Tao Mei, Marco Bertini, Hugo Jair Escalante, Roberto Vezzani (Hrsg.): Pattern Recognition and Information Forensics, Schweiz: 2021
    DOI: 10.1007/978-3-030-68821-9_2
    URL: https://www.springer.com/gp/book/9783030688202
    BibTeX: Download
  • Melodia L., Lenz R.:
    Homological Time Series Analysis of Sensor Signals from Power Plants
    Machine Learning for Irregular Time Series (Bilbao, 13. September 2021 - 13. September 2021)
    In: Springer (Hrsg.): Machine Learning and Principles and Practice of Knowledge Discovery in Databases, Cham: 2022
    DOI: 10.1007/978-3-030-93736-2\_22
    URL: https://link.springer.com/book/10.1007/978-3-030-93736-2
    BibTeX: Download
Lehrstuhl für Informatik 6 (Datenmanagement)
Friedrich-Alexander-Universität Erlangen-Nürnberg

Martensstraße 3
91058 Erlangen
  • Kontakt
  • Impressum
  • Datenschutz
  • Barrierefreiheit
Nach oben