Workshop Anomalie- und Strukturbruch-Erkennung

Der Forschungsbereich Smarte Daten & Wissendienste des DFKI veranstaltet gemeinsam mit der Abteilung Finanzmathematik des Fraunhofer-Instituts für Techno- und Wirtschaftsmathematik (ITWM) einen Workshop zur „Anomalie- und Strukturbruch-Erkennung“. Hier habt Ihr die Möglichkeit, in Vorträgen oder Postern Fragestellungen und erste Forschungsergebnisse aus diesem Gebiet vorzustellen.

8. September 2022  -  9. September 2022

Mehr Informationen zum Programm folgen, sobald die Anmeldung für Präsentationen und Poster abgeschlossen ist.

In den Kaffeepausen werden Getränke und Snacks angeboten. Es wird zudem ein anschließendes Abendessen geben. Die Kosten für das Abendessen sind von den Teilnehmenden selbst zu tragen.

Der Workshop wird in Kaiserslautern stattfinden. Es ist geplant, einen Teil der Veranstaltung am Fraunhofer ITWM und einen Teil in den Räumlichkeiten des DFKI zu organisieren. Genauere Informationen folgen, sobald das detaillierte Programm steht.

Englisch

Über dieses Formular geht es zur Anmeldung am Workshop.

Wir freuen uns über zahlreiche Teilnahme sowie vielfältige Einreichungen von Präsentationen und wissenschaftlichen Postern.

Anmeldeschluss zum Einreichen der Programmpunkte (Vortrag, Poster) ist der 01.08.2022!

Fehler und Änderungen sind in den meisten Daten kaum zu vermeiden und deshalb immer zu berücksichtigen. Wir detektieren und nutzen diese Auffälligkeiten mit unterschiedlichen Methoden. Dabei sind noch viele Forschungsfragen offen. Unser Workshop soll daher eine Plattform zum Austausch und Diskussion bieten. Die Forschungsgebiete „Anomalie- und Strukturbruch-Erkennung“ umfassen eine große Bandbreite und werden in der Anwendung zur Beantwortung unterschiedlichster Fragestellungen eingesetzt.
Beispielsweise folgende Schwerpunkte gehören zum Forschungsfeld:

• Erkennung von Anomalien
• Erkennung von Änderungspunkten
• Erkennung von Ausreißern
• Unüberwachtes Machine Learning (Unsupervised ML)
• Datenanalyse
• Gemischte Datensätze (z. B. Tabellendaten mit kategorischen und numerischen Spalten)
• Datensatz-Vergleiche
• Ähnlichkeit von Datensätzen
• Übertragbarkeit der Ergebnisse auf interne Datensätze
• Datensatz-Generierung
• Daten-Synhese
• Erklärbarkeit

Die Themen gewinnen in verschiedenen Bereichen auch in der Praxis immer mehr an Bedeutung. Denn aufgrund der aktuellen Entwicklung sind mehr und mehr Daten vorhanden, nicht zuletzt hinsichtlich der Digitalisierungsinitiative Deutschlands. Das ermöglicht den Einsatz von Machine Learning (ML) Methoden und deren Weiterentwicklung. Das Erkennen von Anomalien oder Ausreißern bedeutet dabei immer, Muster in Daten zu entdecken, die nicht erwartet werden und nicht in einen definierten normalen Zustand eingeordnet werden können.
Bekannte Beispiele aus der Anwendung und Praxis sind u. a.:

• In der Produktion: In der Fertigungsindustrie ist die Anomalieerkennung zum Beispiel wichtig für die Verbesserung der Qualitätskontrolle. Dabei unterscheidet man häufig zwischen einmaligen Fehlern (Anomalie) oder generellen Fehleinstellungen der Maschine (Change-Point/ Strukturbruch). Dann kann zum Beispiel die Sensorik angepasst werden.
• Bei den Klimaänderungen allgemein sind Ausreißer in den Daten eher der Normalfall und am generellen Trend ist die wirkliche Änderung abzulesen. Ein Beispiel aus der Vergangenheit zeigt aber auch Ausnahmen. Bei der Ozon-Messung in den 80er-Jahren: Das Ozonloch wurde bereits vorher entdeckt, jedoch als Anomalie aus den Daten gelöscht. Die Daten also fehlinterpretiert.
• Parkraumdaten während der Corona-Pandemie: Bei der Vorhersage der Parkplatzverfügbarkeiten stellen Großevents oft die Ausreißer dar, da hier z. B. an einem Sonntag plötzlich kaum noch Plätze verfügbar sind, wohingegen bei Corona die generelle Parkplatzsituation minimiert war, da weniger Personen überhaupt unterwegs waren.
• Im großen Bereich der Finanzdaten ist die Anomalie-Erkennung vielseitig einsetzbar. So können Betrug oder Manipulationen im Netzwerk identifiziert werden, aber auch geringfügige Änderungen im Nutzungsverhalten der Kundinnen und Kunden erkannt und damit besser vorhergesagt werden.