KI News: Kurz und klar.

Die rasante Verbreitung von KI‑Algorithmen in sicherheitskritischen Bereichen wie autonomem Fahren und Gesundheitswesen wirft ernsthafte Fragen zur Einhaltung strenger Sicherheitsstandards auf. Traditionelle Verfahren der formalen Sicherheitsverifikation stoßen an ihre Grenzen, wenn sie mit der Black‑Box-Natur von KI‑gesteuerten Systemen konfrontiert werden und nicht die nötige Flexibilität besitzen, um die Komplexität realer Anwendungen zu bewältigen.

In einem kürzlich veröffentlichten Beitrag auf arXiv (2601.05811v1) stellen die Autoren neue Verfahren vor, die das rekonstruktive Manifold Learning in Reproducing‑Kernel Hilbert Spaces (RKHS) vorantreiben. Durch die Optimierung einer vektor‑basierten Form des Representer‑Theorems werden Beobachtungen als lineare Kombinationen ihrer Mitbeobachtungen im RKHS rekonstruiert.

Ein neuer Ansatz im Bereich des Reinforcement Learning, der die bisherige Lücke zwischen Optimierung und Erklärbarkeit schließt, wurde auf arXiv veröffentlicht. Der Algorithmus, genannt RSA2C (RKHS–SHAP-based Advanced Actor–Critic), kombiniert klassische Actor‑Critic‑Methoden mit einer fortschrittlichen, interpretierbaren Architektur, die auf reproduzierenden Kernelspektren (RKHS) basiert.

Hierarchische Strukturen sind in vielen Bereichen des maschinellen Lernens – von natürlicher Sprachverarbeitung über Bildanalyse bis hin zu sozialen Netzwerken – allgegenwärtig. Der negative Krümmungsraum der Hyperbolik hat sich dabei als besonders geeignet erwiesen, solche Hierarchien mit minimaler Verzerrung einzubetten. Doch bisherige hyperbolische Kernel litten noch unter geometrischen Unschärfen oder fehlender Flexibilität.

Die neue Methode STRIDE löst zwei häufige Probleme bei erklärbaren KI‑Systemen: die enorme Rechenlast, die entsteht, wenn alle möglichen Feature‑Untergruppen untersucht werden, und die eingeschränkte Aussagekraft, wenn Effekte nur als einzelne Zahlenwert zusammengefasst werden. STRIDE arbeitet stattdessen mit einer orthogonalen Funktionszerlegung in einem Reproducing Kernel Hilbert Space (RKHS) und nutzt ein analytisches Projektionstool, das rekursiv Kernelsymmetrien nutzt. Dadurch entfällt die explizite Aufzählung von Feature‑Sets.

Aktuelle Verfahren zur stochastischen Hyperparameter‑Optimierung von Gaußschen Prozessen (GPs) beruhen meist auf Annäherungen, etwa auf verzerrten stochastischen Gradienten oder auf der Verwendung von Induktionspunkten in der stochastischen variationalen Inferenz. Diese Ansätze garantieren jedoch nicht, dass man ein stationäres Minimum der wahren marginalen Likelihood erreicht.