Model Selection for Gaussian Processes in Anomaly Detection

Andreas Besginow promoviert am Fachbereich Elektrotechnik und Technische Informatik bei Professor Markus Lange-Hegermann von der TH OWL und Professor Christian Beecks von der Westfälischen Wilhelms-Universität Münster zum Thema "Model Selection for Gaussian Processes in Anomaly Detection".

Andreas Besginow

In den aktuellen Zeiten, in denen Industrialisierung kaum noch wegzudenken ist, wird es immer wichtiger die Leerlaufzeiten der Maschinen und Anlagen zu minimieren.

Zu diesem Zweck werden bereits zahlreiche Methoden genutzt um zum Beispiel Anomalien in Produktionsanlagen zu erkennen und zu beheben, oder diese sogar zu verhindern. Im Rahmen des Promotionsprojekts mit dem Arbeitstitel „Model Selection for Gaussian Processes in Anomaly Detection“ soll dieses Portfolio um weitere Werkzeuge der Familie Gaußscher Prozesse (GP) erweitert werden.

Ein GP ist ein Regressionsmodell, welches die Struktur der Datenpunkte lernt und mithilfe von Kovarianzfunktionen – auch bekannt als Kernel-Funktionen – berechnen kann. Zusätzlich dazu bieten GPs über ihre Kovarianzfunktionen eine natürliche Interpretierbarkeit, welche sich im Laufe der Promotion zunutze gemacht werden, um Rückschlüsse auf zugrundeliegende physikalische Prozesse des Systems zu ziehen.

Darüber hinaus wird sich auch mit der Modellauswahl beschäftigt, also der Frage „Welches ist die beste Kovarianzfunktion für diese Daten?“. Diese Frage ist äußerst relevant, da dies einen starken Einfluss auf die Ergebnisse (und die Interpretationsfähigkeit) der GPs hat und nicht jede Kovarianzfunktion für alle Daten gute Ergebnisse liefert.

Schlussendlich sollen auch die physikalischen Zusammenhänge, die häufig Produktionsprozessen zugrunde liegen, in der Erstellung eines GP-Modells berücksichtigt werden. Um das zu bewerkstelligen, sollen hybride und physikalisch-datengetriebene GPMs untersucht werden, die das Wissen von beispielsweise zugrundeliegenden Differentialgleichungen in die Erstellung des GP einfließen lassen.