Understanding the classifications of deep neural networks, e.g. used in safety-critical situations, is becoming increasingly important. While recent models can locally explain a single decision, to provide a faithful global explanation about an accurate model's general behavior is a more challenging open task. Towards that goal, we introduce the Quadratic Programming Enhanced Model (QPM), which learns globally interpretable class representations. QPM represents every class with a binary assignment of very few, typically 5, features, that are also assigned to other classes, ensuring easily comparable contrastive class representations. This compact binary assignment is found using discrete optimization based on predefined similarity measures and interpretability constraints. The resulting optimal assignment is used to fine-tune the diverse features, so that each of them becomes the shared general concept between the assigned classes. Extensive evaluations show that QPM delivers unprecedented global interpretability across small and large-scale datasets while setting the state of the art for the accuracy of interpretable models.
Die Pettenkofer School of Public Health ist ein modellhafter Zusammenschluss von Ludwig-Maximilians-Universität München, Helmholtz Munich und dem Bayerischen Landesamt für Gesundheit und Lebensmittelsicherheit. Unter ihrem Dach sind Masterstudiengänge in Epidemiologie und Public Health verankert, die Umsetzung findet verzahnt mit dem Amtsarztlehrgang statt. Gesundheitswissenschaftler*innen, Mediziner*innen und weitere Disziplinen promovieren im Ph.D. Programm Epidemiology and Public Health.
Die Nutzung von Downloadlinks anstelle physischer Patienten-CDs erfordert neue Standards, um diese virtuellen Medien in die klinischen Prozesse integrieren zu können. Aufgrund der Herausforderungen in der Praxis wurde 2023, initiiert von der Deutschen Röntgengesellschaft (DRG) und dem Berufsverband Deutscher Radiologen (BDR), der DIN-Arbeitskreis „QR-Codes/Online-Bereitstellung von Bilddaten“ gegründet. Dessen Mitglieder, d.h. Anwender und Hersteller, erarbeiteten Lösungen mit dem Fokus auf die technische Machbarkeit, die Erfüllung rechtlicher Vorgaben, die praktische Nutzbarkeit und die Implementierbarkeit. Zusätzlich zu berücksichtigende Rahmenbedingungen waren die Datenübertragung als HTTP-Link und die Nutzung von ZIP-Containern mit einer verpflichtenden IHE-PDI-Medienstruktur, die optional um eine IHE-XDM-Medienstruktur ergänzt werden kann. Die Ergebnisse sind in der DIN/TS 19455 DICOM Link Exchange (DLX) zusammengeführt. Sie definiert die Inhalte der Medien für die Übermittlung der Zugangsdaten, die Inhalte und das Format der virtuellen Patienten-CDs, sowie eine OpenAPI-basierte Schnittstelle für den automatisierbaren Datenzugriff. Zusätzlich definiert die DIN/TS die funktionalen Minimalanforderungen für einen manuellen Datenzugriff. DICOM Link Exchange ermöglicht die Integration virtueller Patienten-CDs in die klinischen Prozesse mit dem Potenzial zur Ablösung der physischen Datenträger. In Kombination mit dem MIO-Bildbefund und der Nutzung des gematik Email-Dienstes KIM für die Datenübertragung entsteht zusätzlich die Möglichkeit eines deutschlandweiten, flächendeckend verfügbaren digitalen Austauschs radiologischer Bilder und Befunde ohne aufwendige Infrastruktur.
Reliably predicting Remaining Useful Life (RUL) is crucial for reducing asset maintenance costs. Deep learning emerges as a powerful data-driven method capable of predicting RUL based on historical operating data. However, standard deep learning tools typically do not account for the uncertainty inherent in prediction tasks. This paper presents an uncertainty-aware approach that predicts not only the RUL but also the associated confidence interval, capturing both aleatoric and epistemic uncertainty. The proposed approach is evaluated on publicly available datasets of aircraft turbofan engines, showing its ability to estimate accurate RUL and well-calibrated uncertainties that are robust to out-of-distribution data.
The automated identification of data sources in machine tools is steadily gaining importance due to the growing use of data-driven methods. However, due to small size and volatile information content of training data sets, even promising AI approaches are increasingly reaching their limits. With systematically generated unique reference trajectories, large-scale data sets with high information content can be created. In this paper, the effects of these data sets on accuracy and generalization of AI-based approaches are investigated in comparison to the training with process data. In particular, the subset optimizing the identification of real-world process data is addressed.
