Die Micro-Fokusgruppe Multiagent Learning (MAL) untersucht das Lernen und die Interaktion mehrerer autonomer Agenten in gemeinsamen Umgebungen mit Schwerpunkt auf Multi-Agenten-Reinforcement-Learning, Koordination und Anwendungen in intelligenten Systemen.

Die Micro-Fokusgruppe ML: Transfer, Domain Adaptation, Multi-Task Learning beschäftigt sich mit Machine-Learning-Methoden zur Wissensübertragung zwischen Aufgaben und Domänen. Schwerpunkte sind Domain Adaptation, Multi-Task Learning, Repräsentationslernen und die Verbesserung der Generalisierungsfähigkeit von Modellen bei veränderten Datenverteilungen.

Die Micro-Fokusgruppe DMKM: Mining of Spatial, Temporal or Spatio-Temporal Data beschäftigt sich mit Machine-Learning- und Data-Mining-Methoden zur Analyse von Raum- und Zeitmustern, einschließlich spatio-temporaler Clusteranalyse, Bewegungsdatenanalyse und prädiktiver Modellierung dynamischer Daten.

Die Micro-Fokusgruppe SNLP: Applications beschäftigt sich mit der Umsetzung von NLP-Forschung in praxisnahe Anwendungen wie Dialogsysteme, automatische Zusammenfassungen, maschinelle Übersetzung und informationsextrahierende Systeme für spezifische Domänen.

Die Micro-Fokusgruppe DMKM: Web Search & Information Retrieval beschäftigt sich mit Forschung zu Suchsystemen, Ranking-Methoden und Information-Retrieval-Technologien für intelligenten Datenzugriff

Diese Micro-Fokusgruppe beschäftigt sich mit Lern- und Optimierungsverfahren für die Robotik, einschließlich adaptiver Steuerung, intelligenter Planung und datengetriebenem Roboterlernen.

Diese Micro-Fokusgruppe beschäftigt sich mit Bewegungsanalyse und Objektverfolgung sowie mit Methoden zur dynamischen Szeneninterpretation.

Diese Micro-Fokusgruppe beschäftigt sich mit Fortschritten im Bereich 3D-Computer Vision, einschließlich Raumverständnis, Tiefenschätzung und 3D-Szenenrekonstruktion.

Diese Micro-Fokusgruppe beschäftigt sich mit Methoden zur Dimensionsreduktion und Merkmalsauswahl im Machine Learning und richtet sich an Forschende, die sich für effiziente Datenrepräsentation innerhalb der Association for the Advancement of Artificial Intelligence (AAAI) interessieren.

Diese Gruppe befasst sich mit praxisnahen Anwendungen des maschinellen Lernens und untersucht, wie Modelle entworfen, implementiert und bewertet werden können, um konkrete Herausforderungen in Bereichen wie Gesundheit, Finanzen, Mobilität, Nachhaltigkeit und mehr zu lösen.

Diese Gruppe untersucht praxisnahe Anwendungen der Computer Vision und erforscht, wie KI visuelle Informationen nutzen kann, um konkrete Herausforderungen in Bereichen wie Gesundheit, Mobilität, Industrie und Umweltüberwachung zu lösen.

Diese Gruppe beschäftigt sich mit dem praktischen Einsatz von Robotik in realen Umgebungen, wobei KI mit robotischen Systemen kombiniert wird, um anspruchsvolle Aufgaben in Industrie, Dienstleistung und Alltag zu lösen. Im Mittelpunkt stehen sowohl die Umsetzung robotischer Technologien als auch die Bewertung ihrer gesellschaftlichen und operativen Auswirkungen.

Diese Kategorie befasst sich mit Modellen und Systemen, die menschenähnliche Kognition nachbilden, indem sie Wahrnehmung, Schlussfolgern, Lernen, Gedächtnis und Entscheidungsfindung integrieren. Untersucht werden symbolische, konnektionistische, hybride und verkörperte Ansätze zur Entwicklung autonomer Agenten mit zielgerichtetem, kontextbewusstem Verhalten. Ziel ist es, kognitive Architekturen zu entwerfen, die zentrale Aspekte menschlicher oder tierischer Intelligenz abbilden.

Diese Kategorie befasst sich mit Datenschutz-orientierten Methoden im maschinellen Lernen, die sensible Informationen während Training, Inferenz und Einsatz schützen. Dazu zählen Ansätze wie differenzielle Privatsphäre, sichere Mehrparteienberechnung, homomorphe Verschlüsselung und datenschutzfreundliches föderiertes Lernen. Die Forschung untersucht dabei das Spannungsfeld zwischen Modellleistung und Vertraulichkeit der Daten.

Diese Kategorie befasst sich mit maschinellem Lernen in dezentralen oder verteilten Umgebungen, in denen Daten und Rechenressourcen über mehrere Geräte oder Organisationen verteilt sind. Im Fokus stehen Verfahren für gemeinsames Modelltraining ohne zentrale Datenteilung sowie Herausforderungen wie Kommunikationseffizienz, Datenschutz, Heterogenität und Systemrobustheit.

Diese Kategorie widmet sich der rechnergestützten Modellierung von Gehirnfunktionen und -strukturen, um neuronale Mechanismen mithilfe von Simulation, mathematischer Modellierung und maschinellem Lernen zu verstehen. Dazu zählen neuronale Kodierung, kognitive Architekturen, gehirninspirierte Rechenmodelle und Simulationen großskaliger neuronaler Netzwerke. Die Forschung verbindet Neurowissenschaften, KI und Kognitionswissenschaften und reicht von biologisch realistischen bis hin zu abstrakten Modellen.

Human-in-the-loop Machine Learning

Diese Kategorie befasst sich mit der Interpretierbarkeit und Transparenz von NLP-Modellen. Sie umfasst Methoden zur Analyse der Sprachverarbeitung, Erklärung von Modellentscheidungen, Aufdeckung von Verzerrungen und Verhaltensanalysen über verschiedene Aufgaben und Sprachen hinweg. Ziel ist es, NLP-Systeme verständlicher, vertrauenswürdiger und besser überprüfbar zu machen.

Diese Kategorie untersucht, wie KI-Systeme moralisches Denken, ethische Prinzipien und menschliche Werte integrieren können. Die Forschung umfasst das Modellieren und Erlernen moralischer Normen, den Umgang mit ethischen Dilemmata und wertorientierte Entscheidungsfindung. Zum Einsatz kommen rechnergestützte Ansätze ebenso wie interdisziplinäre Methoden aus Philosophie, Rechts- und Sozialwissenschaften. Beispiele sind faire Reinforcement-Learning-Agenten, logikbasierte Modellierung moralischer Dilemmata und kultursensible Wertanpassung bei KI-Assistenten.

Diese Kategorie behandelt Algorithmen, die KI-Systeme befähigen, menschliches Verhalten in dynamischen Umgebungen vorherzusehen, zu interpretieren und sich daran anzupassen. Dazu zählen Methoden zur Vorhersage von Intentionen, Zielen und Handlungen sowie zur Planung unter Berücksichtigung menschlicher Präferenzen, Überzeugungen und Unsicherheiten. Anwendungsfelder sind Mensch-Roboter-Interaktion, kollaborative Systeme, autonome Fahrzeuge und Assistenztechnologien – etwa bei der Trajektorienvorhersage von Fußgängern, adaptiver Bewegungsplanung von Robotern oder der Modellierung von Fahrintentionen im Mischverkehr.

Diese Kategorie befasst sich mit rechnergestützten Modellen und Algorithmen zur Interpretation von Gehirnaktivität und kognitiven Zuständen auf Basis von Gehirnsignalen wie EEG, fMRT, MEG und NIRS. Anwendungen reichen von Brain-Computer Interfaces über neuroadaptive Systeme bis hin zur Modellierung kognitiver Zustände. Beiträge umfassen Signalverarbeitung, maschinelles Lernen, Mensch-KI-Interaktion und hybride neuro-symbolische Ansätze – etwa zur Klassifikation mentaler Belastung aus EEG, Verhaltensvorhersage mit fMRT-Daten oder BCI-Steuerung durch graphbasierte neuronale Netzwerke.

Diese Kategorie umfasst überwachtes Lernen zur Vorhersage von Klassen oder kontinuierlichen Werten aus beschrifteten Daten. Zum Einsatz kommen neuronale Netzwerke, Entscheidungsbäume, Support-Vector-Machines und Ensemble-Modelle, mit dem Ziel robuster Generalisierung. Anwendungen sind unter anderem die Vorhersage von Krebs-Subtypen, die Schätzung von Medikamentenwirkungen und die Zelltypklassifikation in Single-Cell-RNA-Seq-Daten.

Diese Kategorie widmet sich unüberwachten Lernverfahren zur Aufdeckung von Strukturen in nicht beschrifteten Datensätzen durch das Gruppieren ähnlicher Datenpunkte. Zum Einsatz kommen Methoden wie k-Means, hierarchisches Clustering, dichtebasierte Modelle und moderne Deep-Clustering-Ansätze. Typische Anwendungen sind die Exploration von Daten, Hypothesengenerierung oder die Stratifizierung von Patientengruppen – etwa bei der Identifikation neuer Krankheitsuntertypen aus Multi-Omics-Daten mittels Spektral-Clustering, der Entdeckung genregulierter Module über verschiedene Gewebe hinweg oder der Gruppierung von Patienten anhand von Metabolomprofilen mit tief eingebetteten Clustermethoden.

Diese Gruppe erforscht, wie Wissen in KI-Systemen formal dargestellt und logisch verarbeitet werden kann. Im Mittelpunkt stehen symbolische Methoden, die Maschinen ermöglichen, über strukturierte Informationen zu schlussfolgern. Zentrale Themen sind formale Sprachen wie Description Logics, OWL und Prädikatenlogik, automatisches Schließen und Inferenzsysteme, Ontologieentwicklung für domänenspezifische Anwendungen (z. B. im Gesundheitswesen oder in der Fertigung), hybride Ansätze wie neuro-symbolische KI sowie Anwendungen in erklärbarer KI und Entscheidungsunterstützung.