Die Gruppe Maschinelles Lernen (MLE) befasst sich mit der Entwicklung von neuartigen Methoden des Machine Learning, insbesondere des Deep Learning. Diese Methoden sind losgelöst von der konkreten Anwendungen, orientieren sich aber an den Bedürfnissen des DLR. Die Gruppe bildet damit eine Schnittstelle zwischen der Grundlagenforschung im Bereich Machine Learning und den Aufgabenstellungen im DLR. So nimmt die Gruppe beispielsweise Innovationen in den Bereichen Architekturdesign, Trainingsmethoden oder Skalierung vor und setzt diese in Prototypen um.
Schwerpunkte der Gruppe MLE sind hauptsächlich die Themen Unsicherheit, Anomalieerkennung und Erklärbarkeit. Beim Thema Unsicherheit geht es darum, die Vorhersagen tiefer neuronaler Netze mittels Unsicherheitsabschätzungen zu verstehen, um die Verlässlichkeit dieser Vorhersage bewerten zu können und somit robustere Verfahren zu nutzen oder zu entwickeln. Im Arbeitsschwerpunkt Anomalieerkennung werden maschinelle Lernverfahren erforscht und entwickelt, die es ermöglichen in z.B. sequentiellen Daten Zeitpunkte oder -intervalle zu finden, die vom Normalzustand abweichen. Im Bereich Erklärbarkeit werden Methoden entwickelt, die die Entscheidungen von tiefen neuronalen Netzen im Hinblick auf ihre Vorhersagen auch für Laien nachvollziehbarer machen sollen, um deren Einsatz auch außerhalb des akademischen Umfelds voranzutreiben.
Weitere Projekte in unserer Gruppe befassen sich mit der Integration physikalischen Vorwissens in statistische Modelle, der Untersuchung fehlerhafter Trainingsdaten, sowie der Anwendung maschineller Lernverfahren in der Quantenbildgebung.
Außerdem steht die Gruppe für die Beratung interner und externer Partner zur Verfügung und beteiligt sich an der Vernetzung der regionalen Machine Learning-Community.