KI News: Kurz und klar.

In vielen Datenanalysen gehen die Annahmen über lineare Zusammenhänge zu kurz. Wenn die Beziehung zwischen zwei Variablen nicht exakt linear, aber dennoch monotonic ist, liefert der Spearman-Korrelationskoeffizient ein zuverlässiges Maß. Er bewertet die Rangordnung der Beobachtungen und ist damit weniger empfindlich gegenüber Ausreißern und nicht normalverteilten Daten.

Nur die Genauigkeit reicht nicht aus, um ein Modell als vertrauenswürdig einzustufen. Monotonie – die Eigenschaft, dass Vorhersagen mit steigenden Eingabewerten monoton ansteigen oder abfallen – sorgt dafür, dass die Ergebnisse intuitiv nachvollziehbar und den Geschäftsregeln entsprechend sind. In dem Artikel „Vertrauenswürdige ML-Modelle entwerfen: Alan & Aida entdecken Monotonie“ erläutern die Autoren, wie man diese Eigenschaft in Machine‑Learning‑Modellen implementiert und welche Vorteile sie für die Praxis hat. Der Beitrag erschien erstmals auf der Plattform Towards Data Science.

Graph Neural Networks (GNNs) werden häufig eingesetzt, um fehlende Verbindungen in Wissensgraphen vorherzusagen. Obwohl GNNs leistungsfähig sind, fehlt ihnen bislang eine klare Erklärbarkeit. In jüngsten Studien wurden Datalog‑Regeln aus GNNs extrahiert, um ihre Vorhersagen zu erläutern, jedoch beschränkten sich diese Ansätze auf ein stark eingeschränktes Link‑Prediction‑Schema.