KI News: Kurz und klar.

In der Finanzwelt ist die Vorhersage von Hypothekenausfällen ein zentrales Thema für das Risikomanagement. Mit dem Aufkommen von Machine‑Learning‑Modellen gewinnen diese Verfahren zunehmend an Bedeutung, um Ausfallwahrscheinlichkeiten zu schätzen und verständliche Signale für nachfolgende Entscheidungen zu liefern.

Ein Team von Forschern hat einen innovativen ECG‑Klassifikator vorgestellt, der die häufig auftretenden Probleme von Klassenungleichgewicht und Rauschbelastung in Herzfrequenzdaten gleichzeitig adressiert. Durch die Kombination von Deep‑Learning‑Algorithmen mit einer neuartigen Datenaugmentierung auf Basis der Wavelet‑Transformation konnten die Autoren die Leistungsfähigkeit der Modelle deutlich erhöhen.

Maschinelles Lernen-Praktiker sehen sich drei hartnäckigen Problemen gegenüber, die die Leistung ihrer Modelle gefährden: Überanpassung, Klassenungleichgewicht und Feature‑Skalierungsprobleme.

In den letzten Jahren hat der Klimawandel die Landwirtschaft stark belastet, weil extreme Wetterereignisse die Prognosemodelle erschweren. Traditionelle Machine‑Learning‑Ansätze, die auf historischen Daten basieren, sind bei Ausreißern und Out‑of‑Distribution‑Ereignissen oft versagen.

Maschinelles Lernen leidet an einer Vielzahl von Fehlerquellen: von Diskriminierung gegenüber geschützten Gruppen über Anfälligkeit für trügerische Korrelationen bis hin zu schlechter Leistung bei Minderheitensubpopulationen. Diese Probleme werden bislang von unterschiedlichen Forschungsgemeinschaften getrennt untersucht.

Federated Graph Learning (FGL) erlaubt es mehreren Clients, gemeinsam leistungsstarke Graph Neural Networks zu trainieren, ohne ihre privaten Graphdaten preiszugeben. Doch die statistische Heterogenität – insbesondere das stark ausgeprägte Klassenungleichgewicht – kann die Leistung des globalen Modells erheblich beeinträchtigen. Minderheitsklassen werden dabei oft von stark verzerrten Nachbarschaftsinformationen umgeben, was die Lernfähigkeit der Embeddings schwächt.