Lernen von graphischen Modellen

In diesem Projekt werden Verfahren zur automatischen Gewinnung von Wissen aus Datenbanken (Knowledge Discovery in Databases) erforscht. Schwerpunkte sind das Lernen von probabilistischen (Bayesschen) und possibilistischen Schlussfolgerungsnetzen. Beim Lernen von Schlussfolgerungsnetzen wird eine mehrdimensionale Wahrscheinlichkeits oder Possibilitätsverteilung in Verteilungen auf niedrigdimensionalen Teilräumen zerlegt, durch die die Gesamtverteilung möglichst gut angenähert wird. Schon eine solche Zerlegung allein kann interessante Aufschlüsse über in den Daten vorhandene Abhängigkeiten geben. Besonders vorteilhaft ist jedoch, dass es mit Hilfe einer solchen Zerlegung möglich ist, Schlussfolgerungen in dem zugrundeliegenden mehrdimensionalen Raum zu ziehen, ohne auf die Gesamtverteilung, die oft nicht im Speicher eines Rechners darstellbar ist, zurückgreifen zu müssen. Zur Bestimmung einer Zerlegung wurde ausgehend vom K2 Algorithmus von Cooper und Herskovits der Programmprototyp INES (Induction of NEtwork Structures) entwickelt. In Zusammenarbeit mit der Data-Mining-Gruppe des Forschungszentrums Ulm der Daimler-Chrysler AG wurde dieses Programm bei der Mercedes-Benz AG erfolgreich zur Analyse von Abhängigkeiten zwischen Bauzustandsmerkmalen eines Fahrzeugs und aufgetretenen Fehlern eingesetzt.