Kontinuierliches Lernen auf Multimodalen Datenströmen

Intelligente Systeme müssen für den alltagstauglichen Einsatz robuste und trotzdem flexible Lernstrategien beherrschen: Es ergeben sich ständig neue, unvorhergesehene Situationen, für die Daten aus unterschiedlichen Quellen zusammengeführt und in kurzer Zeit ausgewertet werden müssen. Gerade die übliche Heterogenität der Daten stellt eine besondere Herausforderung dar. Für 3D-Szenen liegen etwa Bilddaten, Tiefendaten und textuelle Beschreibungen vor, während in der medizinischen Diagnostik gleichzeitig mit Laborbefunden, Messreihen und bildgebende Verfahren umzugehen ist. Ziel des Forschungsvorhabens ist es, Lernverfahren für multimodale Daten zu entwickeln, mit denen die Wissensbasis kontinuierlich und domänenübergreifend angepasst (Transfer Learning) und auf neue Inhalte angewandt werden kann, ohne die Qualität der Inferenz zu gefährden (Lifelong Machine Learning).