Website
Aktuelles
Freitag, 12.02.2021

Forschung

Lübecker Arbeit erhält Auszeichnung auf renommierter KI-Konferenz

Bild © phonlamaiphoto / AdobeStock

Rekordbeteiligung bei Einreichungen

Die Lübecker Forscher Marcel Wienöbst, Max Bannach und Maciej Liśkiewicz vom Institut für Theoretische Informatik haben ein wichtiges KI-Problem zur Analyse von kausalen Modellen gelöst. Ihre Arbeit wurde als Distinguished Paper von der renommierten AAAI Konferenz ausgezeichnet.

Diese durch die Association for the Advancement of Artificial Intelligence geförderte Konferenz gehört zu den weltweit wichtigsten Tagungen im Bereich der künstlichen Intelligenz. In diesem Jahr gab es eine Rekordbeteiligung mit über neuntausend Einreichungen, von denen 1.696 angenommen wurden. Zwölf der veröffentlichten Beiträge wurden mit weiteren Auszeichnungen versehen: sechs Arbeiten als Distinguished Paper, drei als Best Paper Runners-Up und drei weitere als Best Paper.

In der Lübecker Arbeit "Polynomial-Time Algorithms for Counting and Sampling Markov Equivalent DAGs“ werden sogenannte Markov-Äquivalenzklassen untersucht, welche eine zentrale Rolle beim maschinellen Lernen von kausalen Strukturen spielen. Diese Äquivalenzklassen bestehen aus Netzwerken, welche sich auf Basis von Daten, wie medizinischen Patientendaten, nicht unterscheiden lassen. Sie stellen daher eine große Hürde in der datenbasierten, kausalen Analyse dar. Die Autoren haben einen innovativen Algorithmus für ein grundlegendes Problem entwickelt: Die Bestimmung der Größe einer Markov-Äquivalenzklasse.

Kausale Zusammenhänge zu entdecken und zu verstehen ist eine wichtige Thematik empirischer Wissenschaften. Ursachen von Krankheiten, Wirtschaftskrisen und anderen komplexen Phänomenen zu analysieren, ist von großem gesellschaftlichen Interesse. Fragen wie „Verursacht Rauchen Lungenkrebs?“ oder „Was sind wesentliche Ursachen für Wirtschaftskrisen?“ können aus ethischen oder ökonomischen Gründen schwer durch reale Experimente untersucht werden. Andererseits stehen oftmals große Datenmengen zur Verfügung, die relevante Informationen zu diesen Fragen liefern. Aus Daten gelernte kausale Strukturen ermöglichen eine mathematisch fundierte Modellierung kausaler Zusammenhänge. Sie sind daher auch für erklärbare und faire künstliche Intelligenz von entscheidender Bedeutung. Das Verständnis von Ursache und Wirkung soll es KI-Systemen ermöglichen, die Konsequenzen von Handlungen abzuschätzen und damit verantwortungsbewusster zu agieren. Die neuen Ergebnisse sind ein wichtiger Schritt für den Einsatz von kausalen Systemen im Big-Data Zeitalter.