Marius Winter

Jeweils unter Verwendung von Methoden des Machine Learnings bzw. Deep Learnings:

• Semantische Segmentierung der menschlichen Muskulatur in MRT-Bildern
• Extraktion relevanter Muskelmerkmale (Biomarker)
• Untersuchung des Zusammenhangs von Biomarkern mit muskulären Veränderungen und Krankheiten

Über Abschlussarbeiten (BA/FA/MA) in den Gebieten Merkmalsextraktion, Merkmalsauswahl sowie Erklärbarkeit und Unsicherheit von Modellentscheidungen oder Verwandtem können wir gerne sprechen.

Update 04.07.2025:

Ab sofort ist eine Arbeit zu folgendem Thema zu vergeben:

In der kooperativen Spieltheorie besteht eine Aufgabe darin, die Verantwortung oder den Verdienst für die Leistung einer Koalition (Gruppe von Spielern) fair auf ihre Mitglieder zu verteilen.
Unter Spieltheoretikern besteht weitgehend Einigkeit darüber, dass eine faire Verteilung die folgenden vier mathematischen Axiome erfüllen muss:
(1) Effizienz, (2) Symmetrie, (3) Additivität und (4) die Nullspieler-Eigenschaft.

Es ist bewiesen, dass die sogenannten "Shapley Values" die einzige Lösung sind, die alle vier Axiome erfüllt.

Im Machine Learning lässt sich das Konzept der Shapley Values auf trainierte Modelle anwenden, um so die Wichtigkeit der einzelnen Input Features des Modells zu bestimmen.

Das ISS (Liao et al.) hat einen Deep Learning-basierten Ansatz zur Feature Selection entworfen, der die Feature Importance aller Input Features in Form einer Feature Mask m ausgibt.

In dieser Arbeit soll untersucht werden, inwiefern diese Feature Mask-Methode die oben genannten spieltheoretischen Axiome erfüllt – bzw. in welchen Aspekten nicht.