Semantische Suche

Wechseln zu: Navigation, Suche
Suche

Abfrage bearbeiten Code der Abfrage anzeigen

Die Abfrage [[Kategorie:Termin]] [[Veranstaltungsdatum::>>14 September 2017]] wurde von der Datenbank „SMWSQLStore3“ in 0.0061 Sekunden beantwortet.


Ergebnisse 6 – 10    (Vorherige 5 | Nächste 5)   (20 | 50 | 100 | 250 | 500)   (JSON | CSV | RSS | RDF)
Freitag, 6. Oktober 2017, Raum 348 (Gebäude 50.34)
Vortragende(r) Daniel Popovic
Titel High-Dimensional Neural-Based Outlier Detection
Vortragstyp Diplomarbeit
Betreuer(in) Edouard Fouché
Kurzfassung Outlier detection in high-dimensional spaces is a challenging task because of consequences of the curse of dimensionality. Neural networks have recently gained in popularity for a wide range of applications due to the availability of computational power and large training data sets. Several studies examine the application of different neural network models, such an autoencoder, self-organising maps and restricted Boltzmann machines, for outlier detection in mainly low-dimensional data sets. In this diploma thesis we investigate if these neural network models can scale to high-dimensional spaces, adapt the useful neural network-based algorithms to the task of high-dimensional outlier detection, examine data-driven parameter selection strategies for these algorithms, develop suitable outlier score metrics for these models and investigate the possibility of identifying the outlying dimensions for detected outliers.
Freitag, 13. Oktober 2017, Raum 348 (Gebäude 50.34)
Vortragende(r) David Englert
Titel Entwicklung einer Methode zum Vergleich mehrsprachiger und zeitabhängiger Textkorpora am Beispiel des Google Books Ngram Datensatzes
Vortragstyp Proposal
Betreuer(in) Jens Willkomm
Kurzfassung Entwicklung einer Methode zum Vergleich mehrsprachiger und zeitabhängiger Textkorpora am Beispiel des Google Books Ngram Datensatzes.
Freitag, 13. Oktober 2017, Raum 333 (Gebäude 50.34)
Vortragende(r) Amine Kechaou
Titel A Graphical Approach to Modularization and Layering of Metamodels
Vortragstyp Bachelorarbeit
Betreuer(in) Misha Strittmatter
Kurzfassung Although modularity is a well established concept, it has not received much attention when it comes to model-driven software development. Over time, metamodels tend to evolve and grow in complexity to encompass new aspects and features. If modularization steps are not taken and metamodels are extended intrusively, they can become difficult to maintain and to extend. With the increased complexity, the modularization can become even more challenging.

We present a novel approach to assist the modeler in the task of modularization. Our approach addresses the problem from a graphical perspective. The proposed tool support displays a layered structure, where each layer has certain level of abstraction, and allows the modeler to organize metamodels inside the layers. The tool provides the modeler with full control over the modularization process and full knowledge about the relations between the metamodels, thus facilitating the modularization task greatly.

Vortragende(r) Lyubomir Lakov
Titel Auswirkungen von Metamodellen auf Modellanalysen
Vortragstyp Masterarbeit
Betreuer(in) Georg Hinkel
Kurzfassung Metamodelle sind das zentrale Artefakt bei der modellgetriebenen Softwareentwicklung. Obwohl viele Qualitätsattribute und Evaluierungsmechanismen für Metamodelle bekannt sind, ist es noch nicht empirisch untersucht, welche Auswirkungen Metamodelle auf andere Artefakten haben. Die gegenwärtige Ausarbeitung beschäftigt sich mit der Auswirkung von Metamodellen auf andere Artefakte der Softwareentwicklung. Genauer wird untersucht, inwieweit die Qualitätsattribute von Metamodellen die Modellanalysen und die Modelltransformationen beeinflussen. Zu diesem Zweck werden verschiedene Artefakte analysiert – die Ergebnisse aus Metamodell-Metriken, Code-Metriken von Modellanalysen und ATL-Transformationen, sowie manuellen Bewertungen von Metamodellen. Die Daten werden analysiert, Korrelationen werden bestimmt und Abhängigkeiten werden aufgedeckt.
Mittwoch, 18. Oktober 2017, Raum 348 (Gebäude 50.34)
Vortragende(r) Philipp Weimann
Titel Automated Cloud-to-Cloud Migration of Distributed Sofware Systems for Privacy Compliance
Vortragstyp Masterarbeit
Betreuer(in) Robert Heinrich
Kurzfassung In 2018 wird die neue EU Datenschutzverordnung in Kraft treten. Diese Verordnung beinhaltet empfindliche Strafen für Datenschutzverletzungen. Einer der wichtigsten Faktoren für die Einhaltung der Datenschutzverordnung ist die Verarbeitung von Stammdaten von EU-Bürgern innerhalb der EU. Wir haben für diese Regelung eine Privacy Analyse entwickelt, formalisiert, implementiert und evaluiert. Außerdem haben wir mit iObserve Privacy ein System nach dem MAPE Prinzip entwickelt, dass automatisch Datenschutzverletzungen erkennt und eine alternatives, datenschutzkonformes Systemhosting errechnet. Zudem migriert iObserve Privacy die Cloudanwendung entsprechend dem alternativen Hosting automatisch.
Vortragende(r) Tobias Pöppke
Titel Design Space Exploration for Adaptation Planning in Cloud-based Applications
Vortragstyp Masterarbeit
Betreuer(in) Robert Heinrich
Kurzfassung Die Arbeit entwickelt einen Ansatz, der die automatische Adaption mit Fokus auf die Leistungsoptimierung mit einem Ansatz zur Bedienerintegration vereint. Der Ansatz verwendt automatischen Entwurfsraumexploration, um Laufzeit-Architekturmodelle der Anwendung zu optimieren und mit einem Modell-basierten Ansatz zur Adaptionsplanung und -ausführung zu kombinieren, der Bedienereingrife während der Adaptionsausführung ermöglicht.
Freitag, 20. Oktober 2017, Raum 010 (Gebäude 50.34)
Vortragende(r) Martin Gauch
Titel Data-Driven Approaches to Predict Material Failure and Analyze Material Models
Vortragstyp Bachelorarbeit
Betreuer(in) Holger Trittenbach
Kurzfassung Te prediction of material failure is useful in many industrial contexts such as predictive maintenance, where it helps reducing costs by preventing outages. However, failure prediction is a complex task. Typically, material scientists need to create a physical material model to run computer simulations. In real-world scenarios, the creation of such models is ofen not feasible, as the measurement of exact material parameters is too expensive. Material scientists can use material models to generate simulation data. Tese data sets are multivariate sensor value time series. In this thesis we develop data-driven models to predict upcoming failure of an observed material. We identify and implement recurrent neural network architectures, as recent research indicated that these are well suited for predictions on time series. We compare the prediction performance with traditional models that do not directly predict on time series but involve an additional step of feature calculation. Finally, we analyze the predictions to fnd abstractions in the underlying material model that lead to unrealistic simulation data and thus impede accurate failure prediction. Knowing such abstractions empowers material scientists to refne the simulation models. The updated models would then contain more relevant information and make failure prediction more precise.
Vortragende(r) Thomas Mayer
Titel Encryption-aware SQL query log rewriting for LIKE predicates
Vortragstyp Diplomarbeit
Betreuer(in) Martin Schäler
Kurzfassung In the area of workflow analysis, the workflow in respect to e.g. a working process can

be analyzed by looking into the data which was used for the working process or created during the working process. The main contribution of this work is to extend CoVER in such a way that it supports LIKE predicates with order preserving encryption.

Vortragende(r) Hendrik Braun
Titel Quantitativer Vergleich von Metriken für mehrdimensionale Abhängigkeiten
Vortragstyp Bachelorarbeit
Betreuer(in) Michael Vollmer
Kurzfassung In der datengetriebenen Forschung ist das Analysieren hochdimensionaler Daten von zentraler Bedeutung. Hierbei ist es nicht immer ausreichend lediglich Abhängigkeiten zwischen Paaren von Attributen zu erkennen. Häufig sind hier Abhängigkeiten zwischen mehreren Attributen vorhanden, welche sich zwischen den zweidimensionalen Paaren nicht feststellen lassen. Zur Erkennung monotoner Zusammenhänge zwischen beliebig vielen Dimensionen existiert bereits eine mehrdimensionale Erweiterung des Spearman Rangkorrelationskoeffizienten, für beliebige Abhängigkeiten existiert jedoch kein solches erprobtes Maß. Hier setzt diese Arbeit an und vergleicht die beiden multivariaten informationstheoretischen Metriken "allgemeine Redundanz" und "Interaktionsinformation" miteinander. Als Basislinie für diesen Vergleich dienen die Spearman Rangkorrelation, sowie das Kontrastmaß von HiCS.