Extraction of Causal Models by comparing soft interventions on plant simulation data
Typ:

Diplomarbeit / Masterarbeit

Betreuer:

Josephine Rehak

Status:

zu vergeben

Möglicher Beginn:

ab sofort

Extraction of causal Models by comparing soft interventions on plant simulation data

Beschreibung
Causal discovery, das Ermitteln von kausalen Zusammenhängen, hat sich zu einem großen Trend im Machine Learning entwickelt. Bisher liegt der Schwerpunkt in der passiven Datenanalyse, also in der Betrachtung von beobachteten Daten. Ausschlaggebend dafür war, dass in vielen Anwendungsgebieten wie der Medizin und Soziologie Interventionen zur Datenerhebung nicht ethisch vertretbar sind.
Ebenso fehlt es in technischen Anlagen an Wissen über die kausalen Zusammenhänge, jedoch bietet sich hier die Möglichkeit aktiv einzugreifen. Durch die Betrachtung von injizierten Signalen und ihrer Ausbreitung, kann Information über den intrinsischen kausalen Zusammenhänge gewonnen werden. Um Anlagen durch das Eingreifen nicht zu beschädigen, wird vorerst auf Simulationen zurückgegriffen.

Konkrete Zielstellung

Ausgangspunkt soll ein System sein an dem nur Mess- und Stellwerte bekannt sind, aber nicht deren Reihenfolge und Anordnung im System. Ziel ist es eben das durch gezieltes Intervenieren, also Änderungen von gewissen Stellwerten, herauszufinden.
Durchgeführt werden soll ein Vergleich mit einem definierten "Normalzustand" (Systemzustand ohne Intervention). Dadurch lässt sich ermitteln welche Intervention welchen Effekt auf welche Komponente hat. Durch die Verwendung mehrerer solcher Interventionen und das Abgleichen der ausgelösten Effekte, soll ein kausales Modell abgeleitet werden und mit dem wahren Modell verglichen werden.

Voraussetzungen

  • Studienfach: Informatik, Mathematik, Elektrotechnik oder vergleichbar
  • Gute Programmierkenntnisse (idealerweise Python)
  • Bereitschaft sich in die Grundlagen von Kausalität und Simulationswerkzeugen einzuarbeiten

Bei Interesse senden Sie mir bitte eine Email mit informellen Anschreiben und ihren Bewerbungsunterlagen (tabellarischer Lebenslauf, aktueller Notenauszug) sowie den gewünschten Starttermin. Außerdem bedarf es ein kurzes Exposé zum Thema "Ladder of Causation" (ca. 2 Seiten) des Turing-Award Träger Judea Pearl. Ein wichtiger Punkt dabei ist die zweite Ebene "Intervention". Die Einreichung des Exposés kann auch nach dem Anschreiben erfolgen. Gern können Sie sich bei mir zu weiteren Details der Arbeit informieren.

Literatur

"The Seven Tools of Causal Inference, with reflections on Machine Learning" von Judea Pearl, 2019.

Kontakt und Bewerbung
Josephine Rehak Dipl.-Inf.
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung
Fraunhoferstraße 1
76131 Karlsruhe
Josephine.Rehak@kit.edu