GAIA: Gauß-Prozesse für die automatische und interpretierbare Erkennung von Anomalien

Gaußprozesse sind im Bayes'schen Maschinellen Lernen weit verbreitet, da sie angewendet werden können, wenn nur begrenzte Daten zur Verfügung stehen und direkt interpretiert werden können. Im Projekt GAIA werden Gaußprozesse auf multivariate Zeitreihen angewendet. Das resultierende Modell wird daher sowohl räumliche als auch zeitliche Informationen abdecken und sollte Anomalien erkennen, die beide Dimensionen umfassen. Der Schwerpunkt wird darauf liegen, wie die Modellauswahl die Erklärbarkeit der Modelle beeinflusst.

Ein latentes Variablenmodell kann zum Beispiel zur Darstellung eines Prozesses verwendet werden, wie er in vielen industriellen Anwendungen vorkommt. Solche Prozesse werden durch zeitliche Daten charakterisiert, die als Zeitreihen vorliegen. Im Projekt soll ein latentes Variablenmodell als Gaußprozess “unsupervised" gelernt werden, also ohne Vorhandensein von Label. Wichtig ist, dass das Vorwissen über die jeweilige Anwendungsdomäne genutzt werden kann: Während bei Gaußprozessen die Suche nach einer passenden Kovarianzfunktion in der Regel teuer ist, kann Domänenwissen in Form von zugrundeliegenden Differentialgleichungen in die Kovarianzmatrix eingebracht werden, was zu hybriden und interpretierbaren Modellen führt.