Neuro-Mechanistische Modellierung

Moderne maschinelle Lernmethoden sind hervorragend darin, hochkomplexe statistische Zusammenhänge in Form von Korrelationen in großen Datensätzen aufzuspüren. Doch Korrelationen haben nicht notwendigerweise kausale Bedeutung, sie beschreiben nicht immer Ursache und Wirkung. Interpretiert man sie dennoch kausal, führt dies schnell zu Fehlschlüssen. Diese können einen Lernalgorithmus zum Beispiel daran hindern, seine Ergebnisse auf neue Umgebungen zu übertragen, oder sogar zu einer Falschinterpretation von Daten in wissenschaftlichen Studien führen. Gerade in Wissenschaft und Medizin, aber auch auf vielen anderen Gebieten, ist ein solides kausales Verständnis einer Problemstellung jedoch entscheidend, um Fortschritte zu erzielen.

Die Forschungsgruppe Kausale Modelle und Repräsentationen (Causal Models and Representations, CaMoRe) widmet sich der Frage wie kausales Wissen und moderne KI-Systeme kombiniert werden können. Wie integriert man vorhandenes Expertenwissen in einen Lernalgorithmus, sodass dieser effizienter lernt? Unter welchen Bedingungen kann der Algorithmus selbst zwischen Kausalität und nicht-kausaler Korrelation unterscheiden lernen, und wann ist gerade dies unmöglich? Welche Daten müssten gesammelt werden, um eine solche Entscheidung zu erleichtern und wie vertrauenswürdig sind kausale Lernalgorithmen eigentlich? 

CaMoRe untersucht diese und weitere Fragen mit einem besonderen Blick auf Methoden des selbstverstärkenden Lernens, sowie auf Anwendungen in der Medizin, der Ökologie und den Klimawissenschaften. Dabei arbeiten wir eng mit Wissenschaftler*innen verschiedener deutscher und internationaler Forschungsinstitute und Universitäten zusammen.