ScaDS.AI Kolloquium mit Markus Löcher

Bedingte Bedeutung von merkmalen mittels generativer Modellierung

Eine Kernfrage im erklärbaren maschinellen Lernen lautet: Welche Merkmale sind für die Vorhersagen eines Modells wirklich wichtig? Entscheidend ist dabei, dass die Bedeutsamkeit von Merkmalen oft bedingt ist - die Wirkung eines Merkmals kann von den Werten anderer abhängen. Das Schätzen dieser bedingten Bedeutung beinhaltet die Bewertung der Leistungsfähigkeit eines Modells unter Merkmalsbeeinflussungen, die die gemeinsame Struktur der Daten erhalten. Dies erfordert die Generierung synthetischer, aber realistischer Stichproben aus bedingten Merkmalsverteilungen, was technisch nicht trivial ist, insbesondere bei tabellarischen Daten mit gemischten Datentypen.

In diesem Vortrag werde ich cARFi vorstellen, eine modellagnostische Methode, die Adversial Random Forests (ARF) verwendet, um solche bedingten Verteilungen zu approximieren. ARF bietet ein leichtgewichtiges, Verteilungen beachtendes generatives Modell, das die Komplexität tiefer generativer Netzwerke vermeidet. Durch die Permutation von Merkmalen unter Verwendung von ARF-gesampelten Werten bietet cARFi ein praktisches und flexibles Framework für die Messung der bedingten (und grenzwertigen) Bedeutung von Merkmalen. Es ermöglicht zudem statistische Tests, um die Signifikanz der beobachteten Wichtigkeitswerte einzuschätzen. 

 

Prof. Dr. Markus Löcher

Prof. Dr. Markus Löcher ist Professor für Mathematik und Statistik an der Hochschule für Wirtschaft und Recht Berlin (HWR Berlin), wo er seit 2011 lehrt. Seine Forschungsschwerpunkte sind maschinelles Lernen, erklärbare künstliche Intelligenz (XAI), Datenvisualisierung und sequenzielles Decision Making.

Vor seiner akademischen Zeit arbeitete er als Principal und Senior Data Scientist bei verschiedenen Analysefirmen in den USA. Er hat an der Ohio University in Physik promoviert und an der Rutgers University einen M.S. in Statistik erworben. Prof. Löcher ist Erfinder oder Miterfinder von acht Patenten in den Bereichen maschinelles Lernen und Sensoranalyse. Darüber hinaus ist er Autor mehrerer weit verbreiteter R-Pakete, darunter RgoogleMaps (Integration von Webkartenkacheln in R), bandit (Werkzeuge für mehrarmige Banditen und Thompson-Sampling) und rfVarImpOOB (biasfreie Variablenbedeutung für Random Forests). Er hat mehr als 35 begutachtete Artikel in internationalen Fachzeitschriften veröffentlicht und ist Autor eines Buches über nicht lineare stochastische Phänomene.
 

Standort

ScaDS.AI Dresden/Leipzig
Löhrs Carré, Humboldtstraße 25, 04105 Leipzig.
3. Stock, Seminarraum A 03.07 und online.