Forschungsprojekte

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris

Automatic Generation of Description Logic-based Biomedical Ontologies

Ontologien, wie die GeneOntology oder SNOMED CT spielen in der Biomedizin eine wichtige Rolle, um konsistent Daten zu integrieren, auszutauschen und semantisch zu indizieren. Letzteres ermöglicht eine effiziente Suche nach und Analyse von Daten. Leider ist die manuelle Entwicklung von Ontologien ein komplexer, fehleranfälliger, zeit- und personalintensiver Prozess. Daher wurden Verfahren entwickelt, die Ontologien automatisch aus Texten und Daten lernen. Die resultierenden Hierarchien sind jedoch gewöhnlich keine Ontologien im formalen Sinne, d.h. die gerlernten Konzepte haben keine formalen Definitionen. Ziel des Projektes ist es, die Expertise der Gruppe Schroeder im Ontologielernen und der Gruppe Baader in der Beschreibungslogik zu kombinieren, um beschreibungslogische Ontologien aus Texten und Daten zu lernen. Die Kernidee ist dabei, nicht -standard Beschreibungslogikinferenzen, die in der Gruppe Baader entwickelt wurden, auf die Resultate des Lernverfahren der Gruppe Schroeder anzuwenden, um so formale Definitionen und weitere Randbedingungen zu genieren. Der angedachte Ansatz ist hybrid, weil die nicht-standard Inferenzen modifiziert werden müssen, um numerische Informationen über die Qualität der Lernresultate zu integrieren.

01.01.2013 - 31.12.2015

Drittmittel

keine

http://

Nein

Nein

Nein

Hybris