Für Anwendungen des maschinellen Lernens spielt die Robustheit eine wichtige Rolle, da sich die Daten in einer realen Umgebung häufig ändern und von verschiedenen Störquellen beeinflusst werden. Gleichzeitig stehen für viele Aufgaben des maschinellen Lernens verschiedene Datenquellen zur Verfügung. Eine Kombination dieser Quellen erhöht die verfügbare Information und führt daher im Allgemeinen auch zu einer verbesserten Vorhersageleistung. Zu diesem Zweck bietet das Verständnis und die Erklärung der Datenfusionsprozesse einerseits und die Nutzung der Unsicherheits-quantifizierung in einem multimodalen Umfeld andererseits die Möglichkeit, robustere, auf mehreren Modalitäten basierende Ansätze zu entwickeln. Insbesondere Aspekte der Robustheit, die bei Ansätzen mit nur einer Modalität nicht gegeben sind, wie z.B. widersprüchliche Daten und Umweltveränderungen, die nur einzelne Modalitäten betreffen, sind hier von besonderem Interesse.
Laufzeit: 10/2019 - 10/2022
Partner: TUM - Data Science in Earth Observation
Ansprechpartner: Jakob Gawlikowski