DeepLearningbasierte

DeepLearningbasierte Ansätze oder Systeme bezeichnen Ansätze, die Deep Learning als zentrale Lern- und Modellierungsstrategie einsetzen. Typisch sind mehrschichtige künstliche neuronale Netze, die aus großen Datenmengen automatisch Repräsentationen erlernen. Im Gegensatz zu traditionellen regelbasierten Systemen arbeiten sie oft end-to-end, indem sie Eingaben direkt in Aufgabenlösungen überführen. Zentrale Merkmale sind hierarchische Repräsentationen, Skalierbarkeit und die Fähigkeit zur Lernrepräsentation ohne explizite Merkmalsextraktion.

Architekturen umfassen Convolutional Neural Networks (CNNs) für Bilder, Recurrent Neural Networks (RNNs) und Long Short-Term Memory-Netze (LSTMs) für Sequenzen sowie Transformer-Modelle, die sich in vielen Bereichen etabliert haben. Das Training erfolgt typischerweise mittels Backpropagation und Gradientenabstieg auf großen Datensätzen, oft unter Nutzung von GPUs oder TPUs. Lernprozesse sind daten- und rechenintensiv.

Anwendungsfelder reichen von Computer Vision über natürliche Sprachverarbeitung und Spracherkennung bis hin zu Zeitreihenanalyse, Bioinformatik und Empfehlungssystemen. Beispiele sind Bildklassifikation, maschinelle Übersetzung, Spracherkennung, Generative Modelle wie GANs oder Diffusionsmodelle sowie Anwendungen in der Proteinfaltungsprognose. Oft werden vortrainierte Modelle für spezifische Aufgaben angepasst (Fine-Tuning).

Zu den Vorteilen zählen hohe Leistungsfähigkeit, automatische Merkmalserzeugung und Anpassungsfähigkeit über verschiedene Aufgaben hinweg. Zu den Einschränkungen gehören der Bedarf an großen, qualitativ hochwertigen Datensätzen, erheblicher Rechenaufwand, geringe Transparenz und Interpretierbarkeit sowie Risiken von Verzerrungen, Datenschutz- und Sicherheitsbedenken sowie Robustheitsherausforderungen gegenüber adversarialen Angriffen.