Das Projekt mit dem Titel „Statistical Optimality and Computational Efficiency: batch and sequential unsupervised learning under additional structure and sampling constraints“ (SOCE) nimmt sich der Herausforderung an, die Effizienz und Verständlichkeit des unüberwachten Lernens in der künstlichen Intelligenz zu verbessern.
Der Schlüssel dieses Projekts liegt darin, die Kluft zwischen statistischer Leistungsfähigkeit und rechnerischer Effizienz zu überbrücken. Für viele Probleme ist unklar, ob es möglich ist, Algorithmen zu entwickeln, die sowohl aus statistischer Sicht optimal als auch rechnerisch effizient sind. Interessanterweise zeigt sich, dass die Erweiterung bekannter Modelle mit neuen Strukturen entweder vorteilhaft oder hinderlich sein kann.
Moderne Anwendungen, wie beispielsweise Empfehlungssysteme, setzen zunehmend auf unüberwachtes Lernen, wobei die Daten aktiv und fortlaufend analysiert werden, anstatt in festen Chargen. Diese Art des Lernens bietet Möglichkeiten, birgt jedoch auch Herausforderungen wie Sampling-Beschränkungen, die die Analyse komplexer machen.
„Im Rahmen von SOCE werde ich mich mit diesen komplexen Problemen des unüberwachten Lernens befassen, die trotz ihrer Bedeutung noch nicht gut verstanden sind“, sagt Alexandra Carpentier. „Um das zu ändern, will ich neue mathematische Werkzeuge und Algorithmen entwickeln, die für eine systematische Untersuchung dieser Probleme von entscheidender Bedeutung sein werden.“
Kontakte:
Prof. Dr. Alexandra Carpentier, Institut für Mathematik
E-Mail: carpentier@uni-potsdam.de
Tel.: 0331 977-1098
Medieninformation 11-12-2025 / Nr. 107