Copulas im Maschinellen Lernen (CopML)

Die Modellierung von Abhängigkeitsstrukturen und Wahrscheinlichkeitsverteilungen spielt eine zentrale Rolle in der Datenanalyse und dort insbesondere im Maschinellen Lernen. Ein dafür hervorragend geeignetes Werkzeug aus der klassischen Statistik sind Copulas. Diese ermöglichen es, Wahrscheinlichkeitsverteilungen auf geschickte Art und Weise so zu zerlegen, dass die Modellierung insgesamt vereinfacht wird, was auch als Copula-Trick bezeichnet wird. Da es sich bei Copulas selbst um Wahrscheinlichkeitsverteilungen handelt, können sie zudem für die Simulation neuer Daten eingesetzt werden. Darüber hinaus eignen sie sich für die Anwendung auf hochdimensionale Daten. Durch diese Eigenschaften erfahren Copulas bereits wachsende Aufmerksamkeit im Bereich des Maschinellen Lernens. Das Ziel des Forschungsvorhabens Copulas im Maschinellen Lernen (CopML) ist, Copulas und Methoden des Maschinellen Lernens weiter zu verknüpfen. Einerseits soll untersucht werden, welche Anwendungspotenziale es von Copulas im Maschinellen Lernen gibt. Ein Beispiel hierfür ist die Erforschung von Einsatzmöglichkeiten bei der Bild- oder Sprachverarbeitung. Andererseits sind Methoden des Maschinellen Lernens zu erkunden, welche die Modellierung von Copulas selbst ermöglichen.