Prof. Dr. Markus Lange-Hegermann,inIT- Vorstandsmitglied, organisierte auf der ECML PKDD 2025 einen Workshop zum Thema „Learning from Small Data“ mit und war mit zwei wissenschaftlichen Beiträgen vertreten. Die Aktivitäten auf der Konferenz erfolgten im Rahmen des Projekts SAIL.
ECML PKDD bringt über 1.300 Fachleute nach Porto
Die European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD) ist die wichtigste europäische Konferenz zu Maschinellem Lernen und Data Mining. Neben Keynotes führender Wissenschaftlerinnen und Wissenschaftler umfasst das Programm Fachvorträge, Poster-Sessions, ein Discovery Challenge, Industrie- und Doktorandentracks sowie zahlreiche Workshops. Mehr als 1.300 Fachleute aus Wissenschaft und Industrie kamen in Porto zusammen, um aktuelle Forschungsarbeiten zu diskutieren.
Workshop: Strategien für datenarme Szenarien
Ein Programmpunkt der Konferenz war der von Prof. Dr. Markus Lange-Hegermann mitorganisierte Workshop Learning from Small Data (LFSD 2025). Forschende aus unterschiedlichen Disziplinen diskutierten dort Strategien, um auch mit kleinen Datenmengen verlässliche Modelle entwickeln zu können – ein Thema von hoher Relevanz für industrielle Anwendungen. Behandelt wurden unter anderem Ansätze wie Few-Shot Learning, Data Augmentation und Physics-Informed Machine Learning, mit besonderem Fokus auf praxisnahe Methoden für reale Einsatzumgebungen.
Wissenschaftliche Beiträge aus dem inIT
Mit zwei Fachbeiträgen war das inIT inhaltlich im Workshop vertreten:
Gemeinsam mit seinem wissenschaftlichen Mitarbeiter Andreas Besginow präsentierte Prof. Dr. Markus Lange-Hegermann das Paper „Varying Informativeness of Inductive Bias in Gaussian Processes Regression for Small Data“. Darin wird untersucht, wie unterschiedliche Induktionsannahmen die Leistungsfähigkeit von Gaussian-Process-Modellen in datenarmen Szenarien beeinflussen.
Zudem stellte er zusammen mit Juhi Soni vom Fraunhofer IOSB-INA den Beitrag „Physics-Informed Diffusion Models for Unsupervised Anomaly Detection in Multivariate Time Series“ vor. Diese Arbeit zeigt, wie sich physikalisches Wissen in Diffusionsmodellen nutzen lässt, um Anomalien in komplexen Zeitreihen zuverlässig zu erkennen.
Neben Prof. Dr. Markus Lange-Hegermann und Andreas Besginow nahmen auch die SAIL-Kollegen Prof. Dr. Wolfram Schenck und Dr. Alaa Tharwat von der Hochschule Bielefeld an der Konferenz teil.
Forschungsergebnisse im internationalen Dialog
Mit seinem Engagement bei der ECML PKDD unterstreicht das inIT die internationale Sichtbarkeit seiner Forschung zu datengetriebenen Methoden. Prof. Dr. Markus Lange-Hegermann betont:
„Die Herausforderungen des Lernens mit kleinen Datenmengen sind in vielen Bereichen der Industrie hochrelevant. Der Workshop hat gezeigt, wie durch neue Ansätze und internationale Zusammenarbeit nachhaltige Lösungen entstehen können. Besonders bereichernd war dabei der Austausch mit Fachleuten aus aller Welt, die zur Konferenz nach Porto gekommen sind."