In dem Projekt CausalAnomalies geht es um die Entwicklung von neuen kausal erklärbaren Anomalieerkennungsalgorithmen und die Anwendung dieser auf DLR-spezifische Problemstellungen. Das Finden von anomalen Zuständen in Zeitreihen ist ein allgegenwärtiges Ziel – überall dort, wo sequentielle Daten aufgenommen und analysiert werden. Diese Daten sind oft hochdimensional, fehlerbehaftet, unvollständig oder nicht gelabelt. Und häufig ist nicht bekannt, welches anomale Verhalten der Daten relevant ist. Daher ist ein erstes Ziel die Erforschung von KI-Methoden zur Anomaliedetektion Das nächste Ziel ist die Erklärbarkeit dieser Methoden um den „Black-Box“-Charakter vieler Verfahren zu überwinden. Dafür sollen kausale Methoden genutzt und adaptiert werden. Das Zusammenbringen üblicher und neuer Verfahren zur Anomalieerkennung mit Methoden der Kausalen Inferenz soll dabei generisch und anwendungsunabhängig geschehen. Anschließend sollen die entwickelten Methoden auf verschiedene Anwendungsfälle im DLR übertragen, getestet und gegebenenfalls optimiert werden.
Laufzeit: 12/2021 - 12/2025
Ansprechperson: Julia Fligge-Niebling, Sharmita Dey, Andreas Gerhardus