Effiziente Lernmethode zur Fehlerfortpflanzung in KI-Systemen

In modernen Smart Cities spielen KI-Systeme eine immer größere Rolle, doch ihre Zuverlässigkeit bleibt ein zentrales Problem. Insbesondere bei sequentiellen Funktionsstufen können Fehler von einer Stufe zur nächsten übergehen und die Gesamtperformance stark beeinträchtigen.

Die Quantifizierung dieser Fehlerfortpflanzung ist schwierig, weil reale Daten knapp sind, Fehlerereignisse voneinander abhängig sind und die Analyse bei großen Datenmengen sehr rechenintensiv wird.

Um diesen Herausforderungen zu begegnen, nutzt die Studie ein physikbasiertes Simulationssystem für autonome Fahrzeuge, das gezielt Fehler einführt. Dadurch entstehen hochwertige Datensätze, die die Realität der KI-Systeme genau widerspiegeln.

Auf Basis dieser Daten wird ein neues Modell entwickelt, das die Fehlerübertragung zwischen den Stufen explizit beschreibt. Die Parameter werden mit einem kompakten Likelihood‑Expectation‑Maximization‑Algorithmus geschätzt, der sowohl theoretisch garantiert als auch rechnerisch effizient ist.

Die Anwendung des Modells auf die Wahrnehmungssysteme autonomer Fahrzeuge zeigt eine hohe Vorhersagegenauigkeit und deutliche Einsparungen bei der Rechenzeit – ein bedeutender Fortschritt für die zuverlässige Entwicklung von KI‑Anwendungen.