Wissenschaftliche Publikationen

Für sicherheitskritische Anwendungen von Deep Neural Networks ist es unerlässlich, festzustellen, wann sich neue Eingaben signifikant von der Trainingsverteilung unterscheiden. In diesem Paper wird die Out-of-Distribution (OOD) Detection für die Bildklassifizierung anhand von Clustern semantisch ähnlicher Embeddings der Trainingsdaten untersucht.

Modellkomprimierung wird eingesetzt, um Convolutional Neural Networks bei begrenzter Leistung zu nutzen. Bei anspruchsvollen Anwendungen ist es jedoch wichtig, dass die Komprimierung die Sicherheit nicht beeinträchtigen. In diesem Paper werden Veränderungen untersucht, die durch drei Komprimierungsmethoden entstehen und die über die Testgenauigkeit hinausgehen.

Ein Problem bei der Bildklassifizierung ist, dass ein Modell bei Eingabedaten, die aus der gleichen Verteilung stammen wie die für das Modelltraining verfügbaren Daten, gut abschneidet, aber bei Daten, die außerhalb der Verteilung liegen (out-of-distribution, OOD), viel schlechter abschneidet. In diesem Papier wird die erste OOD-Erkennungsarchitektur namens OODformer vorgeschlagen, die die Kontextualisierungsfähigkeiten eines Transformators nutzt.

Quantencomputing muss verlässlich und sicher sein. In diesem Vortrag wird erläutert, warum Quantencomputing einige Softwarealgorithmen deutlich effizienter gestalten kann, und einige Anwendungsfelder und -beispiele diskutiert. Abschließend wird ein Ausblick über die zu erwartende Entwicklung des Quantencomputings in den nächsten Jahren gegeben.

Die Qualität von semantischen Bildsegmentierungsmodellen kann durch Faktoren wie Wetter oder Tageszeit beeinflusst werden, wodurch sicherheitskritische Fehler entstehen können. Um diese Schwächen zu erkennen und zu beheben, schlägt das Fraunhofer IKS einen systematischen Ansatz vor.

Automatisierte Fahrzeuge müssen in komplexen Situationen sicher funktionieren. Entscheidend dafür ist das Verständnis der eigenen Fähigkeiten und Umgebung. Das Fraunhofer IKS entwickelt einen Ansatz zur Verbesserung des Systembewusstseins von Fahrzeugen, um mit Veränderungen optimal umzugehen.

Dieses Papier beschreibt die Anwendung von maschinellen Lernverfahren und einen Assurance Case für ein sicherheitsrelevantes Fahrwerksteuerungssystem. Die Autoren zeigen, wie die Wahl des maschinellen Lernansatzes den Assurance Case unterstützt.