Informationen für
Logo VIS

Andre Burkovski

Dipl.-Inf. Andre Burkovski

Büro: Informatikgebäude

Universität Stuttgart
Universitätsstraße 38
70569 Stuttgart

Telefonnummer: Die Durchwahl "" hat nicht das erwartete Format und kann daher nicht formatiert werden.

Telefaxnummer: +49 (711) 685-88340

E-Mail-Adresse: andre.burkovski@gmx.de

Die bisherige Webseite ist hier verlinkt.

Forschung

KI in der Sprachverabeitung

Übersicht

Die Verfahren der künstlichen Intelligenz werden intensiv in der maschinellen Sprachverabeitung eingesetzt. Eines der schwierigsten Aufgaben ist die Koreferenzerkennung. "State of the Art"-Verfahren haben einer Fehlerrate von etwa 20%. Diese relativ geringe Fehlerrate wird aber nur auf bestimmten Texten (verschiedene Nachrichtenkorpora) erreicht. Zur Zeit fäehlt es noch an Testdatensätzen um allgemeinere Aussagen über die Koreferenzerkennung zu treffen.

Das Problem liegt auf der Hand: Der Mensch erkennt Muster und Kontext in den Texten zwar sehr gut, ist aber sehr langsam. Eine große Anzahl an Dokumenten durch den Menschen allein zu verarbeiten ist daher zum scheitern verurteilt. Deshalb wird im Rahmen eines DFG-Projekts unter anderem untersucht wie maschinelle Sprachverabeitung, Visualisierungtechniken und Lernalgorithmen zusammen dem Menschen ermöglichen die Koreferenzerkennung möglichst effizient durchzuführen und somit die Erstellung von Testdatensätzen zu beschleunigen. Ein weiteres Ziel dieser Vorgehensweise ist ein besseres Verständnis für die Mustererkennung bei der Koreferenzerkennung.

Aufgaben und Schwerpunkte

In der Abteilung für Intelligente Systeme werden mehrere Visualisierungsmöglichkeiten und Lernverfahren untersucht. Hierbei sind viele verschiedene Softwarepraktika, Fachstudien, Studien-, Bachelor- und Diplomarbeiten denkbar. Auch sind die Aspekte nicht klar von einander getrennt, so dass in den studentische Arbeiten ein beliebiger Überlapp der einzelnen Aspekte stattfinden kann.

Primär werden zwei Fragen untersucht: Wie kann man kontextabhängige, lingustische Daten darstellen und welche neuen Verfahren lassen sich aus der Darstellung für die Koreferenzerkennung ableiten?

Ähnlichkeitsmetriken

Übersicht

Ähnlichkeitsmetriken werden im Bereich der künstlichen Intelligenz fast überall verwendet. Die meisten dieser Metriken sind sehr speziell und meist auf bestimmte Problemklassen zugeschnitten. Mehere wissenschaftliche Gruppen beschäftigten sich mit Kolmogorov- und Beschreibungs- Komplexität und stellten eine universe Ähnlichkeitmetrik vor. Diese Ähnlichkeitsmektrik basiert auf der Idee die Beschreibungskomplexität mittels Kompressionsalgorithmen anzunähern.

Aufgaben und Schwerpunkte

In der Abteilung für Intelligente Systeme werden mehrere Aspekte dieser Ähnlichkeitsmektrik untersucht. Hierbei sind viele verschiedene Softwarepraktika, Fachstudien, Studien-, Bachelor- und Diplomarbeiten denkbar. Auch sind die Aspekte nicht klar von einander getrennt, so dass in den studentische Arbeiten ein beliebiger Überlapp der einzelnen Aspekte stattfinden kann.

  • Kernuntersuchungen
  • Einen wesentlichen Aspekt der Metrik bilden Kompressionsalgorithmen. Bei den Kernuntersuchungen geht es primär um die Analyse kompressionabasierter Mustererkennung. Welche Muster erkennen die Kompressionverfahren? Wie können diese Muster visualisiert werden? Welche Vorraussetzungen m&uumlssen herrschen um "bessere" Mustererkennung zu betreiben? Welche theoretischen Erkenntnisse können gewonnen werden?
  • Weiterentwicklungen
  • Die Weiterentwicklung der Ähnlichkeitsmetriken ausgehend von Erkenntnissen oder Entwicklung eigener Ideen zur Ähnlichkeitsmessung sind hier die Schwerpunkte. Angestossen durch Ideen aus den Kernuntersuchungen stellt sich die Frage wie man diese umsetzten kann. Der Kreativitäsind hier keine Grenzen gesetzt.
  • Erschließung neuer Anwendungsgebiete
  • Hier ist die Anwendbarkeit der Ähnlichkeitsmetrik in neuen Gebieten von Relevanz. Zwar findet die Metrik schon einen breiten Einsatz, dennoch gibt es viele unerforschte Gebiete, wo diese Metrik noch keinen Fuß gefasst hat.
  • Test, Benutzerstudien und Vergleiche
  • Die Evaluation der neu entwickelten Methoden muss auch mit bereits bekannten Forschungsarbeiten verglichen werden. Die Aufgaben bestehen darin Analysen von Stärken und Schwächen durchzuführen, neue Testfälle und Vergleiche anzustellen.

Lehre

Grundlagen der Künstlichen Intelligenz

Winter 2011 , 2010

Neuronale Netze

Sommer 2010

Publikationen

2011

Burkovski, Andre; Höferlin, Benjamin; Raschke, Michael; Ertl, Thomas: TenSeconds - A Collaboration Platform for Distributed Action Painting. In: Proceedings of 2nd International ICST Conference on Arts and Technology, ArtsIT 2011, 2011.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]
Self Organizing Maps in NLP: Exploration of Coreference Feature Space
Burkovski, Andre; Kessler, Wiltrud; Heidemann, Gunther; Kobdani, Hamidreza; Schütze, Hinrich: Self Organizing Maps in NLP: Exploration of Coreference Feature Space. In: Advances in Self-Organizing Maps - WSOM 2011, S. 228-237, 2011.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]
Burkovski, Andre; Klenk, Sebastian; Heidemann, Gunther: Similarity Calculation with Length Delimiting Dictionary Distance. In: 23rd IEEE International Conference on Tools with Artificial Intelligence (ICTAI 2011), to appear. (Noch nicht erschienen).
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]
Burkovski, Andre; Heidemann, Gunther: Visualization for Coreference Annotation. In: 8th Conference on Recent Advances in Natural Language Processing (RANLP 2011), S. 692-697, 2011.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]
Hartmann, Tino; Klenk, Sebastian; Burkovski, Andre; Heidemann, Gunther: Sentiment Detection with Character n-Grams. In: , 2011.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]
A Discussion on Visual Interactive Data Exploration using Self-Organizing Maps
Möhrmann, Julia; Burkovski, Andre; Baranovskiy, Evgeny; Heinze, Geoffrey-Alexeij; Rapoport, Andrej; Heidemann, Gunther: A Discussion on Visual Interactive Data Exploration using Self-Organizing Maps. In: Advances in Self-Organizing Maps - WSOM 2011, S. 178-187, 2011.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]

2010

Relational feature engineering of natural language processing
Kobdani, Hamidreza; Schütze, Hinrich; Burkovski, Andre; Kessler, Wiltrud; Heidemann, Gunther: Relational feature engineering of natural language processing. In: CIKM 2010, S. 1705-1708, 2010.
[XPS] [PDF] [DOI] [OpenXML] [BibTeX] [Vortragsfolien] [Details]

Ergänzende Informationen zu Publikationen

Die Proceedings zu RANLP 2011 sind unter http://lml.bas.bg/~iva/ranlp2011/RANLR2011_Proceedings.PDF verfügbar.

Weitere Artikel 2011

  • Sebastian Klenk, Julia Möhrmann, Andre Burkovski, Jürgen Dippon, Peter Fritz, Gunther Heidemann, 2011. A Personalized Health Information System to foster Preventive Medicine. In Proc. 12th International Conference on Bioinformatics & Computational Biology (BIOCOMP'11).

Weitere Präsentationen 2010

  • Burkovski, A. Visualization of Coreferences. In: Workshop on Interactive Visual Analysis for Natural Language Processing 2010.