Schwerpunkt: Data Science, Neuronale Netze

In der Welt von Machine Learning und Künstlicher Intelligenz ist Datenqualität oft entscheidender als die Wahl des Modells. Besonders spannend – und gleichzeitig herausfordernd – ist der Umgang mit unausgewogenen Datenverteilungen, also Data Imbalance. Während dieses Phänomen im Klassifikationskontext bereits gut erforscht ist, steckt die Analyse im Bereich Regression noch in den Kinderschuhen. Dabei zeigen erste Studien: Nicht nur die Verteilung der Daten selbst, sondern auch das verwendete Modellarchitektur beeinflusst, wie stark sich Imbalance auf die Modellgüte auswirkt.

In dieser Arbeit soll untersucht werden, wie sich Datenungleichgewichte im Kontext neuronaler Netze für Regressionsaufgaben quantifizieren lassen. Es kann auf vorhandene Forschungsarbeiten aufgebaut werden, die bereits erste Ansätze zur Bewertung solcher Ungleichgewichte liefern.

• Es soll sich in aktuelle wissenschaftliche Arbeiten zur Quantifizierung von Data Imbalance in Regressionsszenarien eingearbeitet werden.
• Geeignete Metriken zur Beschreibung von Imbalance in Regressionsdaten sollen recherchiert, ausgewählt und angewendet werden.
• Neuronale Netze sollen im Hinblick auf ihre Robustheit gegenüber verschiedenen Arten von Imbalance getestet werden.
• Ein bestehendes Framework kann erweitert oder ein neues Konzept zur modellabhängigen Bewertung von Imbalance-Effekten entwickelt werden.
• Die Ergebnisse sollen dokumentiert, analysiert und mit geeigneten Visualisierungen aufbereitet werden.