PGAR: Ein leichtgewichtiges Meta‑Lern‑Framework für stabile und vertrauenswürdige KI

Das neue Framework Parent‑Guided Adaptive Reliability (PGAR) erweitert herkömmliche Lernalgorithmen um eine zusätzliche „Eltern“-Schicht, die die Stabilität, Kalibrierung und Erholungsfähigkeit bei Störungen deutlich verbessert. Durch die Berechnung von drei reflexartigen Signalen – Erkennung von Vorfällen, Korrektur von Übervertrauen und Erinnerung an Erholungsphasen – erzeugt PGAR einen begrenzten Zuverlässigkeitsindex zwischen 0 und 1.

Dieser Index steuert kontinuierlich die effektive Lernrate des Modells: Bei niedriger Zuverlässigkeit wird die Update‑Größe reduziert, während sie wieder erhöht wird, sobald die Zuverlässigkeit steigt. Ein Lyapunov‑basierter Beweis zeigt, dass die Zuverlässigkeitsdynamik unter milden Annahmen (glatter Verlust, richtungsweisende Gradienten und beschränkte Reflexausgaben) stets beschränkt bleibt.

Experimentelle Tests auf typischen Lernaufgaben demonstrieren, dass PGAR die Kalibrierung verbessert, die Verlustvarianz senkt und die Erholungszeit gegenüber Standardoptimierern verkürzt, ohne die Rechenkomplexität zu erhöhen. Als Plug‑in‑Layer lässt sich PGAR nahtlos in bestehende Optimierungs‑ und Lernpipelines integrieren und liefert nachvollziehbare Zuverlässigkeitsverläufe – ein entscheidender Vorteil in sicherheitsrelevanten Anwendungen.