KI News: Kurz und klar.

Ein neues Forschungsprojekt nutzt unüberwachtes maschinelles Lernen, um die Einhaltung des Montrealer Protokolls zu überwachen. Durch die Analyse von 100.000 Zolldatensätzen werden Handelsmuster systematisch identifiziert, die auf mögliche Verstöße hinweisen.

Der Isolation Forest Algorithmus klingt zwar technisch, ist aber in seiner Idee simpel: Punkte werden durch zufällige Teilungen isoliert. Je schneller ein Punkt isoliert wird, desto wahrscheinlicher ist er ein Anomalie; braucht er viele Teilungen, gilt er als normal.

Eine neue Untersuchung, veröffentlicht auf arXiv, zeigt, dass das unüberwachte Verfahren Isolation Forest bei der Erkennung von Anomalien in Smart‑IoT‑Geräten deutlich besser abschneidet als die klassische One‑Class‑Support‑Vector‑Machine.

Um die knappe Verfügbarkeit von Trainingsdaten für maschinelles Lernen zu überwinden, setzen Forscher vermehrt auf synthetische Bilder. Doch ohne sorgfältige Qualitätskontrolle können dabei Artefakte entstehen, die die Leistung von Modellen und ihre klinische Nützlichkeit beeinträchtigen. Ein neues Verfahren aus dem Bereich der wissensbasierten Anomalieerkennung löst dieses Problem: Es nutzt einen zweistufigen Ansatz, bei dem zunächst ein spezieller Feature‑Extractor die Winkelgradienten entlang anatomischer Grenzen analysiert und daraus einen maßgeschneiderten Merkmalsraum bildet. Anschließend wird ein Isolation‑Forest‑Algorithmus eingesetzt, um Netzwerk‑induzierte Formartefakte zu identifizieren.