Analyse höherdimensionaler Daten
Große Datenpakete sind zunehmend höherdimensional. Es ist jedoch schwierig, derart komplexe Daten zu interpretieren oder sichtbar zu machen.
Wissenschaftler nutzen daher verschiedene statistische Techniken, um höherdimensionale Daten auf niedrigere Ebenen zu reduzieren, ohne dabei deren inhärente Struktur zu verlieren. Wenn nur noch zwei oder drei Dimensionen übrig sind, können die Ergebnisse der Reduktion dazu verwendet werden, die Daten zu visualisieren. Häufig führen solche bildlichen Darstellungen zu substantiellen Einsichten in die Struktur der Daten.
Kürzlich haben sogenannte deep neural networks zu bahnbrechenden Ergebnissen in dieser Disziplin geführt. Sie finden Anwendung in verschiedensten Bereichen – von Spracherkennung bis zum japanischen Go-Spiel.
Der Grund für diese Erfolge liegt darin, dass deep neural networks im Vergleich zu anderen Methoden wesentlich besser darin sind, höherdimensionale Daten auf niedrigere Ebenen herabzustufen und dabei deren inhärente Struktur zu bewahren. Somit eignen sich die Techniken von deep neural networks auch perfekt für Datenvisualisierungen.
Ein im Auftrag vom AF Institut entwickeltes Tool (eine besondere Art von deep neural network) ist in der Lage, höherdimensionale Daten zu vereinfachen und sie anschließend sichtbar zu machen. Dadurch können beliebige Daten als Punktewolken in einer dreidimensionalen virtuellen Realität dargestellt werden.
Über einen VR-Controller ist es zusätzlich möglich, mit diesen Daten zu interagieren, etwa indem einzelne Datenpunkte herausgegriffen und betrachtet werden können.