22. Februar 2021
Die am Fraunhofer Heinrich-Hertz-Institut (HHI) tätigen Forscher Dr. Wojciech Samek und Dr. Sebastian Lapuschkin sind zusammen mit Dr. Grégoire Montavon und Prof. Klaus-Robert Müller von der TU Berlin sowie Prof. Alexander Binder von der Universität Oslo mit dem diesjährigen „Pattern Recognition Best Paper Award“ sowie der „Pattern Recognition Medal“ der internationalen wissenschaftlichen Fachzeitschrift Pattern Recognition ausgezeichnet worden. Das Award Committee zeichnet die 2017 veröffentlichte Publikation der Forscher mit dem Titel „Explaining Nonlinear Classification Decisions with Deep Taylor Decomposition“ als Annerkennung ihres großen Einflusses auf das Forschungsfeld Machine Learning aus.
Die Preise wurden am 15. Januar 2021 auf der virtuellen „International Conference on Pattern Recognition“ (ICPR) verliehen. Der „Pattern Recognition Best Paper Award“ wird alle zwei Jahre von der renommierten Fachzeitschrift Pattern Recognition vergeben. Damit wird der beste wissenschaftliche Beitrag ausgezeichnet, der innerhalb dieser Zeit in der Zeitschrift, die sich mit Mustererkennung und deren Anwendung in Bereichen wie Bildverarbeitung, Computer Vision und Biometrie befasst, veröffentlicht wurde.
„Wir sind sehr stolz darauf, dass wir diese Auszeichnung erhalten haben und unsere Arbeit hierdurch innerhalb der Wissenschafts-Community hervorgehoben wird,“ kommentiert Dr. Wojciech Samek, Abteilungsleiter Artificial Intelligence am Fraunhofer HHI. „Stand Januar 2021 wurde unser Paper laut Google Scholar bereits 557mal zitiert. Thomson Reuters „Essential Science Indicators” hat unseren Beitrag als „highly cited paper“ bewertet. Damit gehört dieser zum Top-Prozent der am meisten zitierten wissenschaftlichen Arbeiten im Fachbereich „Engineering”. Wir freuen sehr, dass unsere Forschung weltweit so große Beachtung findet.“
Die Publikation befasst sich mit dem sogenannten Blackbox-Problem. Maschine-Learning-Methoden, insbesondere Deep Learning, können eine Vielzahl von Aufgaben sehr erfolgreich lösen. Sie haben jedoch in den meisten Fällen den Nachteil, dass sie keine Informationen darüber liefern, welche Aspekte zu einer bestimmten Entscheidung geführt haben. Das Paper geht dieses Problem an, indem es eine pixelweise Zerlegung von nichtlinearen Klassifikationen verwendet und so das Verfahren in verschiedenen Szenarien bewertet. Dadurch konnte ein theoretischer Rahmen für erklärbare KI (XAI) geschaffen werden, der allgemein anwendbar ist.
Das Paper finden Sie hier .