{"id":42596,"date":"2026-02-19T12:17:05","date_gmt":"2026-02-19T11:17:05","guid":{"rendered":"https:\/\/www.l3s.de\/?p=42596"},"modified":"2026-03-25T16:45:10","modified_gmt":"2026-03-25T15:45:10","slug":"deecave","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/deecave\/","title":{"rendered":"DeepCAVE: Transparenz f\u00fcr komplexe AutoML Prozesse"},"content":{"rendered":"

L3S Beste Ver\u00f6ffentlichung des Quartals (Q3+Q4\/2025)<\/strong> 
Kategorie: Explainable AI and AutoML<\/strong><\/strong><\/strong><\/strong><\/p>\n\n\n\n

DeepCAVE:  A Visualization and Analysis Tool for Automated Machine Learning<\/strong><\/p>\n\n\n\n

Autoren: Sarah Segel, Helena Graf, Edward Bergman, Kristina Thieme, Marcel Wever, Frank Hutter, Marius Lindauer<\/p>\n\n\n\n

Ver\u00f6ffentlicht in JMLR MLOSS<\/em><\/p>\n\n\n\n

<\/div>\n\n\n\n

Welches Problem l\u00f6sen Sie mit Ihrer Forschung?<\/strong><\/p>\n\n\n\n

Moderne KI-Systeme sind stark von sogenannten Hyperparametern abh\u00e4ngig, die einen gro\u00dfen Einfluss auf die Leistungsf\u00e4higkeit eines Modells haben. Die automatische Suche nach guten Einstellungen ist ein zentraler Bestandteil des automatisierten maschinellen Lernens (AutoML). Diese Optimierungsprozesse sind jedoch oft komplex und schwer verst\u00e4ndlich, sodass sie selbst f\u00fcr Experten wie eine \u201eBlack Box\u201c wirken.<\/p>\n\n\n\n

Was ist neu an Ihrer Forschung?<\/strong><\/p>\n\n\n\n

Mit DeepCAVE stellen wir ein interaktives Visualisierungs- und Analyse-Tool vor, das AutoML transparenter macht. Mit DeepCAVE k\u00f6nnen Nutzer erkunden, wie verschiedene Konfigurationen getestet wurden, wie sich die Leistung im Laufe der Zeit entwickelt hat, welche Parameter den gr\u00f6\u00dften Einfluss haben und wo weitere Verbesserungen m\u00f6glich sind. Es unterst\u00fctzt moderne Optimierungsszenarien und mehrere beliebte AutoML-Frameworks, alles innerhalb einer browserbasierten Oberfl\u00e4che.<\/p>\n\n\n\n

What is the potential impact?<\/strong><\/p>\n\n\n\n

Durch die Umwandlung komplexer Optimierungsdaten in intuitive visuelle Erkenntnisse hilft DeepCAVE Forschern und Praktikern, KI-Systeme besser zu verstehen, zu debuggen und zu verbessern. Langfristig tr\u00e4gt dies zu vertrauensw\u00fcrdigeren, effizienteren und menschenzentrierten KI-Systemen bei.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Link zum vollst\u00e4ndigen Artikel:<\/strong> https:\/\/arxiv.org\/abs\/2512.01810<\/a><\/p>","protected":false},"excerpt":{"rendered":"

DeepCAVE bietet Einblicke in komplexe AutoML-Optimierungen und zeigt, welche Parameter wirklich z\u00e4hlen \u2013 f\u00fcr verst\u00e4ndlichere, effizientere und vertrauensw\u00fcrdigere KI-Systeme<\/p>","protected":false},"author":13,"featured_media":42601,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[161],"tags":[],"class_list":["post-42596","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-best-publications"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t