Neue Methode vereint Daten und Wissen: Knowledge-Data ML mit Granularen Landmarks

In der jüngsten Veröffentlichung auf arXiv wird eine neue Richtung im Bereich des Informed Machine Learning vorgestellt, die sich als „Knowledge‑Data ML“ (KD‑ML) bezeichnet. Diese Methode verbindet numerische Daten mit Wissensfragmenten, die in Form von granularen Landmarks organisiert sind. Damit entsteht ein einheitliches Konzept, das sowohl die Präzision lokaler Messwerte als auch die globale Abstraktion von Wissen nutzt.

Der Ansatz baut auf der Idee auf, dass Daten und Wissen komplementär sind: Daten liefern exakte, aber oft begrenzte Informationen, während Wissen über größere Bereiche hinweg gilt und in abstrakteren Formen vorliegt. In KD‑ML werden Wissensfragmente als Informationsgranulate dargestellt und als Landmarks in einem Eingabe‑Ausgabe‑Raum abgelegt. Diese Landmarks fungieren als Leitfaden, der die Modellentwicklung in Richtung sinnvoller, wissensbasierter Lösungen lenkt.

Ein zentrales Element der Arbeit ist die Entwicklung einer erweiterten Verlustfunktion, die zwei Komponenten kombiniert: einen datengesteuerten Term, der die numerischen Messwerte optimiert, und einen granularen Regularisierer, der die Einhaltung der Landmarks sicherstellt. Ein Hyperparameter gewichtet die beiden Beiträge, sodass die Balance zwischen Daten und Wissen feinjustiert werden kann. Die Autoren zeigen, wie dieser Parameter die Modellleistung beeinflusst und welche Tendenzen sich bei variierender Datenqualität, etwa bei Rauschen, ergeben.

Die vorgestellte KD‑ML-Architektur bietet damit einen vielversprechenden Rahmen, um maschinelles Lernen stärker mit strukturiertem Wissen zu verknüpfen. Durch die Kombination von präzisen Messdaten und globalen Wissenslandmarks können Modelle nicht nur genauer, sondern auch erklärbarer und robuster gegenüber Unsicherheiten werden.