Vorlesungsskript zu Machine-Learning-Anwendungen für globale statistische Fits
Dieses Vorlesungsskript erläutert einen methodischen Rahmen für globale statistische Fits in der Hochenergiephysik unter Nutzung moderner Machine-Learning-Surrogate. Um den hohen Rechenaufwand herkömmlicher Minimierungsverfahren zu umgehen, werden Boosted Decision Trees zur Approximation der Log-Likelihood-Funktion eingesetzt. Der Workflow umfasst die effiziente Generierung von Trainingsdaten durch Gauß-Prozesse, Hyperparameter-Optimierung sowie die Modellinterpretierbarkeit mittels SHAP-Werten. Die praktische Anwe
Neuronale Architekturen für amortisierte Bayes-Inferenz: Statistische Grundlagen und empirische Analysen
Die amortisierte Bayes-Inferenz ermöglicht eine effiziente statistische Modellierung, indem rechenintensive Prozesse in eine initiale Trainingsphase für neuronale Netze verlagert werden. Dies reduziert den Berechnungsaufwand bei der Anwendung erheblich im Vergleich zu klassischen Monte-Carlo-Verfahren. Die Untersuchung beleuchtet die statistischen Grundlagen gängiger Architekturen wie Feedforward-Netze, Deep Sets und Transformer im Kontext der Bayes-Inferenz. Durch umfassende Simulationen werden Genauigkeit, Robust
Skewness-robuste kausale Entdeckung in Location-Scale-Rauschmodellen
Die Identifizierung kausaler Zusammenhänge zwischen Variablen erfordert oft die Unterscheidung zwischen Ursache und Wirkung in bivariaten Modellen. Herkömmliche Location-Scale-Rauschmodelle setzen für die Schätzung meist symmetrische Rauschverteilungen voraus, was bei realen Daten mit asymmetrischen Verteilungen zu Fehlern führt. Mit dem Algorithmus SkewD wird ein neuer Ansatz vorgestellt, der auf der skew-normalen Verteilung basiert. Durch den Einsatz eines Expectation-Conditional-Maximization-Algorithmus ermöglic
Kontrastive konforme Mengen für die Merkmalseinbettung
Die Methode erweitert das Konzept der konformen Vorhersage auf kontrastives Lernen, um geometrische Mengen im semantischen Merkmalsraum zu definieren. Durch lernbare Hyperball-Beschränkungen wird sichergestellt, dass positive Stichproben mit einer vom Nutzer festgelegten Wahrscheinlichkeit abgedeckt werden, während gleichzeitig die Einbeziehung negativer Stichproben minimiert wird. Da das Verfahren die Volumenminimierung als Stellvertreter für den Ausschluss negativer Daten nutzt, funktioniert es auch ohne explizit
Delokalisierung von Bias bei unadjustiertem Hamiltonian Monte Carlo und unterdämpfter Langevin-Dynamik
Unadjustierte Algorithmen wie Hamiltonian Monte Carlo und unterdämpfte Langevin-Dynamik weisen systembedingte Verzerrungen auf, die üblicherweise durch Metropolis-Hastings-Korrekturen behoben werden. Diese Korrekturen erhöhen jedoch die Rechenkomplexität erheblich. Die vorliegende Arbeit zeigt, dass das Phänomen der Delokalisierung von Bias auch auf diese Algorithmen übertragbar ist. Unter der Annahme schwacher oder spärlicher Interaktionen zwischen den Variablen reicht eine begrenzte Anzahl an Integrationsschritte
Subjektive Risikozersetzung: Eine neue Perspektive zur Quantifizierung von Unsicherheit
Ein neuer theoretischer Ansatz definiert Unsicherheitsmaße nicht mehr als grundlegende Axiome, sondern als direkte Konsequenz übergeordneter Modellierungsentscheidungen. Durch die Zerlegung eines subjektiven Risikos auf Basis streng korrekter Verlustfunktionen lassen sich epistemische und aleatorische Unsicherheiten konsistent ableiten. Diese Methode vereinheitlicht zahlreiche bisher isolierte Ansätze der Unsicherheitsquantifizierung unter einem gemeinsamen theoretischen Fundament. Zudem wird das Konzept auf die Le
Analyse der schulischen Leistungsfähigkeit mittels Kausalmodellen und hierarchischem Clustering
Die Studie untersucht die schulische Leistungsfähigkeit durch die Identifikation spezifischer Schultypologien auf Basis struktureller, pädagogischer und demografischer Daten. Durch den Einsatz von hierarchischem Clustering werden Schulen mit ähnlichen Profilen gruppiert, um anschließend mittels kausalanalytischer Verfahren die Zusammenhänge zwischen diesen Merkmalen und den Bildungsergebnissen zu untersuchen. Die Ergebnisse zeigen signifikante Leistungsunterschiede zwischen den identifizierten Gruppen auf und liefe
Generalisierte neuronale distributionale Regression
Das Framework der generalisierten neuronalen distributionalen Regression integriert tiefe neuronale Netze in die Parameterstruktur klassischer Wahrscheinlichkeitsverteilungen. Durch ein zweistufiges semi-parametrisches Schätzverfahren werden die Vorhersageköpfe von der restlichen Netzwerkarchitektur getrennt, was die analytische Berechnung von Fisher-Informationsmatrizen ermöglicht. Dies erlaubt eine präzise Quantifizierung von Unsicherheiten, wie etwa konfidenzbasierte Intervalle für spezifische Beobachtungen. Die
Kernel-gewichtetes Importance Sampling für die Off-Policy-Evaluation bei kontextuellen Banditen
Es wurde ein neuartiger Schätzer für die Off-Policy-Evaluation bei kontextuellen Banditen vorgestellt, der ausschließlich auf Offline-Daten basiert. Der als Kernel-WIS bezeichnete Ansatz kombiniert die Stabilität des gewichteten Importance Samplings mit der Linearität des klassischen Importance Samplings. In empirischen Tests erweist sich das Verfahren als asymptotisch konsistent und übertrifft etablierte Basismethoden, insbesondere bei komplexen Anforderungen wie einer fehlerhaften Spezifikation der Verhaltensrich
Kausale Inferenz in sequenziellen Umgebungen bei Interferenz und latenten Störfaktoren
Die Untersuchung befasst sich mit der kausalen Inferenz in sequenziellen, beobachtungsbasierten Szenarien, in denen Ergebnisse über mehrere Zeitschritte hinweg voneinander abhängen. Durch die Modellierung von Abhängigkeiten mittels eines Ising-Modells und die Einbeziehung latenter Störfaktoren mit niedrigem Rang wird ein statistischer Rahmen geschaffen, um kausale Zusammenhänge trotz komplexer Interferenzen zu schätzen. Zur effizienten Parameterbestimmung wird eine Methode auf Basis der Maximum-Pseudo-Likelihood-Sc
Was misst Goodness? Eine Likelihood-Ratio-Betrachtung des Forward-Forward-Lernens
Der Forward-Forward-Algorithmus trainiert neuronale Netzwerkschichten lokal, indem er einen Goodness-Wert maximiert, der bei echten Daten hoch und bei kontrastiven Daten niedrig ausfällt. Diese Arbeit zeigt, dass dieser Ansatz kein bloßes Heuristik-Verfahren ist, sondern mathematisch als Likelihood-Ratio-Test interpretiert werden kann. Dabei fungiert die quadrierte Goodness als hinreichende Statistik zur Unterscheidung von Datenpopulationen. Die Analyse liefert zudem theoretische Erklärungen für die Notwendigkeit s
Verallgemeinertes verteilungsfreies semi-überwachtes Lernen durch Risikoumschreibung
Herkömmliche Methoden des semi-überwachten Lernens basieren oft auf spezifischen Verteilungsannahmen, die in der Praxis häufig verletzt werden. Ein neuer theoretischer Ansatz löst dieses Problem durch ein verallgemeinertes Framework, das unverzerrte Risikoschätzer mittels linearer Kombinationen von Teilrisiken konstruiert. Diese Methode lässt sich von der binären auf die Mehrklassen-Klassifikation erweitern und ermöglicht eine signifikante Reduzierung der Varianz im Vergleich zu bisherigen Ansätzen. Durch die direk
Verifizierung von Formeln für interventionelle Verteilungen
Die Arbeit formalisiert den Verifizierungsprozess in kausalen grafischen Modellen, um zu entscheiden, ob eine gegebene beobachtungsbasierte Formel eine Ziel-Interventionsverteilung korrekt identifiziert. Dabei wird aufgezeigt, dass bestehende Identifikationsmethoden nicht ausreichen, um diese Verifizierung durchzuführen. Als Lösungsansatz wird ein Falsifizierer vorgestellt, der für reguläre Exponentialfamilien eine nahezu sichere Verifizierung ermöglicht. Darauf aufbauend wurde der Gateway-Test entwickelt, der alle
Paralleles Gradient Boosting zur flexiblen Schätzung bedingter Verteilungen
Ein neuer Ansatz für das Gradient Boosting ermöglicht die effiziente Vorhersage ganzer bedingter Verteilungen anstelle einzelner Werte. Durch die Verwendung einer gemeinsamen Abstiegsrichtung für alle Trainingsbeobachtungen muss in jeder Iteration nur ein einziges Basismodell trainiert werden, unabhängig von der Anzahl der Zielvariablen. Dies führt zu einer erheblichen Beschleunigung des Trainingsprozesses im Vergleich zu herkömmlichen Methoden. Die Leistungsfähigkeit des Verfahrens zeigt sich insbesondere bei der
Heavy-Tailed Flow Matching mittels Random Clocks
Die neue Methode Heavy-Tailed Flow Matching via Random Clocks adressiert die Herausforderung, Daten mit extremen Ereignissen und ungleichmäßigen Verteilungen präzise zu modellieren. Herkömmliche Diffusionsmodelle basieren oft auf Gauß-Verteilungen, die für solche heavy-tailed Datensätze unzureichend sind. Durch die Verwendung von zeitgesteuerten Gauß-Mischverteilungen und einer effizienten Kodierung mittels Logsignature-Features ermöglicht das Verfahren eine bessere Abdeckung von Randbereichen und eine höhere Quali
Temperaturskalierung reicht nicht aus: Kalibrierungslücken bei menschlichen Label-Verteilungen
Die gängige Methode der Temperaturskalierung zur Kalibrierung von Deep-Learning-Modellen basiert auf der Annahme deterministischer One-Hot-Labels. In der Praxis spiegeln menschliche Annotationen jedoch häufig Unsicherheiten und Verteilungen wider. Untersuchungen zeigen, dass die Kalibrierung auf Basis von Mehrheitsentscheidungen systematisch versagt, wenn strukturelle Unklarheiten in den Daten vorliegen. Dieser Kalibrierungsfehler nimmt mit zunehmender Modellgröße insbesondere im Sprachbereich deutlich zu. Die Erge
Significance-First Splitting: Optimierung der Erkennung heterogener Behandlungseffekte durch ehrliche Schätzung
Die Schätzung heterogener Behandlungseffekte erfordert sowohl die Identifikation von Interaktionseffekten als auch eine präzise Quantifizierung der Unsicherheit. Ein neuer hybrider Algorithmus kombiniert signifikanzbasierte Aufteilungskriterien mit ehrlicher Stichprobentrennung und Kreuzvalidierung, um die Vorteile beider Ansätze zu vereinen. Durch die Verwendung einer auf t-Statistiken basierenden Metrik wird die Sensitivität für Interaktionen erhöht, während gleichzeitig eine valide Konfidenzintervallabdeckung au
Vertrauenswürdigkeit in kontextuellen Social-Bandit-Modellen
Die Forschung identifiziert ein spezifisches Fehlermodell bei Reinforcement-Learning-Systemen, das als kontextuelle Einschmeichelung bezeichnet wird. Dabei liefern Evaluatoren in unkritischen Situationen korrekte Informationen, verhalten sich jedoch in entscheidenden Kontexten systematisch voreingenommen. Da soziale Rückmeldungen allein in solchen Szenarien keine verlässliche Entscheidungsfindung erlauben, ist eine zusätzliche Validierung durch stichprobenartige Überprüfungen der Grundwahrheit erforderlich. Ein neu
Hyperellipsoid-Dichtestichproben: Explorative Sequenzen zur Beschleunigung hochdimensionaler numerischer Optimierung
Die Methode der Hyperellipsoid-Dichtestichproben (HDS) adressiert die Herausforderungen der Fluch der Dimensionalität bei komplexen Optimierungsproblemen. Anstatt auf gleichmäßige quasi-Monte-Carlo-Verfahren zu setzen, nutzt HDS unüberwachtes Lernen, um Sequenzen innerhalb definierter Hyperellipsoide zu erzeugen. Dadurch werden statistisch vielversprechende Regionen des Parameterraums gezielt angesteuert. Tests an Benchmark-Funktionen belegen, dass dieser Ansatz die Effizienz und Genauigkeit bei der Suche nach opti
Lernen eines interpretierbaren Risikobewertungssystems zur Maximierung des Nettonutzens
In hochsensiblen Entscheidungsbereichen ist die Optimierung von Risikobewertungssystemen entscheidend. Ein neuer Ansatz konzentriert sich darauf, den Nettonutzen über verschiedene Entscheidungsschwellen hinweg direkt zu maximieren, anstatt lediglich die Vorhersagegenauigkeit zu optimieren. Durch die Formulierung als spärliches ganzzahliges lineares Programm entstehen transparente Bewertungssysteme mit ganzzahligen Koeffizienten, die leicht interpretierbar sind. Die Methode garantiert dabei sowohl eine hohe Vorhersa
Gradientenfreie Topologie-Anpassung für Stromfluss-Surrogate durch In-Context Whitening
KI-basierte Ersatzmodelle für die Berechnung von Wechselstrom-Lastflüssen verlieren bei Änderungen der Netztopologie, etwa durch Leitungsausfälle, signifikant an Genauigkeit. Um dieses Problem ohne aufwendige gradientenbasierte Nachschulung zu lösen, wurde die Methode In-Context Whitening entwickelt. Dabei wird der Ausgaberaum des Modells statistisch normalisiert, sodass das System durch wenige neue Berechnungen auf veränderte Netzstrukturen adaptiert werden kann. Dieser Ansatz ist architekturunabhängig, erfordert
Effiziente sequentielle Kalibrierung mit einer Fehlerschranke von O(T^{2/3-\epsilon})
Die Arbeit befasst sich mit dem Problem der Online-binären sequentiellen Kalibrierung und stellt einen effizienten randomisierten Vorhersagealgorithmus vor. Dieser erreicht einen erwarteten Kalibrierungsfehler von O(T^{2/3-\epsilon}) und durchbricht damit die klassische T^{2/3}-Barriere. Der Ansatz kombiniert ein bestehendes Kalibrierungsverfahren mit einer zusätzlichen Korrekturschicht nach dem Blackwell-Prinzip. Durch die Zerlegung des Gesamtfehlers in einen Ersatzfehler und eine Restdiskrepanz wird eine präzise
Was misst Goodness? Eine Likelihood-Ratio-Betrachtung des Forward-Forward-Lernens
Der Forward-Forward-Algorithmus trainiert neuronale Netzwerkschichten lokal, indem er einen Goodness-Wert maximiert, der bei echten Daten hoch und bei kontrastiven Daten niedrig ausfällt. Diese Untersuchung zeigt, dass dieser Wert mathematisch als hinreichende Statistik eines Likelihood-Ratio-Tests interpretiert werden kann. Dabei fungiert der Goodness-Schwellenwert als Entscheidungsgrenze zwischen verschiedenen Datenpopulationen. Die Analyse liefert zudem theoretische Erklärungen für die Notwendigkeit spezifischer
Fairness-Beschränkungen in hochdimensionalen verallgemeinerten linearen Modellen
Maschinelles Lernen übernimmt häufig Verzerrungen aus historischen Datensätzen, was Fragen zur algorithmischen Gerechtigkeit aufwirft. Da der Zugriff auf sensible Attribute wie Geschlecht oder Herkunft aus Datenschutzgründen oft eingeschränkt ist, wurde ein neuer Ansatz entwickelt. Dieser schätzt sensible Merkmale anhand von Hilfsdaten und integriert entsprechende Fairness-Vorgaben direkt in das Modelltraining. Die Methode reduziert systematische Verzerrungen effektiv, ohne dabei die Vorhersagegenauigkeit signifika
Effiziente gruppen-lasso-regularisierte Rangregression mit simulationsbasierter Abstimmung
Bei hochdimensionalen Regressionsanalysen führen Ausreißer und stark schwankendes Rauschen häufig zu unzuverlässigen Ergebnissen. Ein neuer Ansatz nutzt eine auf Wilcoxon-Scores basierende Rangzielfunktion in Kombination mit Gruppen-Sparsity-Regularisierung, um die Robustheit gegenüber solchen Störungen zu erhöhen. Durch eine simulationsbasierte Abstimmungsregel entfällt die manuelle Parameterwahl, während ein neu entwickelter proximaler augmentierter Lagrange-Algorithmus eine effiziente Optimierung ermöglicht. Die
Prognose generativer Verstärkung in physikalischen Simulationen
Generative Netzwerke bieten das Potenzial, die Geschwindigkeit und Präzision von Simulationen am Large Hadron Collider signifikant zu steigern. Da die statistische Genauigkeit bei der Generierung von Ereignissen, die über den Trainingsdatensatz hinausgehen, entscheidend ist, wurden zwei neue Methoden zur Schätzung des Verstärkungsfaktors entwickelt. Diese Ansätze ermöglichen es, die statistische Validität ohne umfangreiche Testdatensätze zu bewerten. Die Anwendung auf aktuelle Ereignisgeneratoren zeigt, dass eine z
Likelihood-Matching für Diffusionsmodelle
Ein neuer Ansatz für das Training von Diffusionsmodellen nutzt Likelihood-Matching, um die Wahrscheinlichkeitsdichte der Zieldaten mit dem Pfad der umgekehrten Diffusion in Einklang zu bringen. Durch die Approximation der Übergangsdichten mittels Gauß-Verteilungen und die Schätzung von Score- und Hesse-Funktionen lässt sich die Genauigkeit der Modellierung verbessern. Ein begleitender stochastischer Sampler nutzt diese Informationen, um die Generierung zu optimieren. Theoretische Garantien zur Konsistenz und Konver
Gauß-invariante Markov-Chain-Monte-Carlo-Verfahren
Es wurden neue Sampling-Methoden entwickelt, die auf Gauß-invarianten Versionen bekannter Algorithmen wie dem Random Walk Metropolis und dem Metropolis Adjusted Langevin Algorithm basieren. Durch die Ausnutzung der Gauß-Invarianz lassen sich exakte analytische Lösungen für die Poisson-Gleichung bei Gauß-Zielen ableiten, was die Konstruktion effizienter Kontrollvariablen zur Varianzreduktion ermöglicht. Diese Ansätze führen zu einer verbesserten statistischen Effizienz bei der Schätzung in hochdimensionalen latenten
Klima-invariante konforme Vorhersageintervalle für die Solar- und Windenergieprognose
Die Integration von Solar- und Windenergie in Stromnetze erfordert präzise Unsicherheitsquantifizierungen, um Risiken besser bewerten zu können. Ein neuer Ansatz nutzt ein heteroskedastisches, asymmetrisches und gruppenkonditionales Split-Conformal-Framework auf Basis eines XGBoost-Ensembles, um Vorhersageintervalle zu generieren. Diese passen sich der lokalen Schwierigkeit an, ohne dass standortspezifische Anpassungen erforderlich sind. Die Methode bewährt sich über verschiedene Klimazonen hinweg und verbessert di
Erklärbare KI und statistische Analyse für zuverlässige Angriffserkennung im UAVIDS-2025-Datensatz
Die Untersuchung widmet sich der Anwendung von Methoden der erklärbaren künstlichen Intelligenz zur Absicherung von Drohnen-Netzwerken. Durch den Vergleich verschiedener Modellarchitekturen, darunter baumbasierte Ensembles und tiefe neuronale Netze, wird die Erkennung von Angriffen wie Wormhole- und Blackhole-Szenarien optimiert. Mittels SHAP-Analysen und statistischer Verfahren wie dem Westfall-Young-Permutationstest werden Fehlklassifikationen untersucht und die Merkmalsbedeutung präzise identifiziert. Diese Arbe
Optimierung von Ableitungen für kausale Fairness im maschinellen Lernen
Künstliche Intelligenz übernimmt oft gesellschaftliche Vorurteile, da klassische Fairness-Konzepte wie die statistische Parität zu restriktiv sind, wenn geschützte Merkmale legitime geschäftliche Prozesse beeinflussen. Ein neuer theoretischer Ansatz nutzt pfadspezifische partielle Ableitungen in strukturellen Kausalmodellen, um Fairness auch bei kontinuierlichen Merkmalen präzise zu definieren. Dabei wird zwischen erlaubten und unerlaubten kausalen Pfaden unterschieden, um die Vorhersagegenauigkeit bei gleichzeitig
Der Zielkonflikt zwischen Schätzung und Vorhersage in kausalen probabilistischen Zeitgraphen
Die Vorhersage zeitlicher Verbindungen in Graphen wird üblicherweise anhand der Genauigkeit auf unbekannten Kanten bewertet. Dabei wird jedoch oft vernachlässigt, dass hohe Vorhersagegenauigkeit nicht zwangsläufig die zugrunde liegenden kausalen Mechanismen korrekt abbildet. Es zeigt sich ein systematischer Zielkonflikt: Modelle mit hoher Fisher-Information ermöglichen zwar eine präzisere Parameterschätzung, weisen jedoch gleichzeitig eine höhere irreduzible Vorhersageentropie auf. Durch die Einführung eines probab
Kronecker-strukturierte nichtparametrische raumzeitliche Punktprozesse
Ein neues Modell für raumzeitliche Punktprozesse adressiert die Einschränkungen klassischer parametrischer Ansätze und undurchsichtiger neuronaler Modelle. Durch die Verwendung von Kronecker-strukturierten Kovarianzmatrizen und separierbaren Produktkernen ermöglicht das Verfahren eine flexible Modellierung komplexer Interaktionsmuster wie Anregung oder Hemmung bei gleichzeitig hoher Interpretierbarkeit. Ein effizientes Tensorprodukt-Quadraturverfahren sorgt zudem für eine skalierbare Berechnung der Likelihood-Integ
Forking-Sequences: Statistische und rechnerische Effizienz bei Multi-Horizon-Prognosen mit reduzierter Volatilität
Die Architektur von Forking-Sequences verbessert die Stabilität von Zeitreihenprognosen, indem sie die gesamte Zeitreihe über verschiedene Prognosezeitpunkte hinweg gemeinsam kodiert und dekodiert. Im Gegensatz zu herkömmlichen Methoden, die einzelne Zeitpunkte isoliert betrachten, erzeugt dieser Ansatz ein vollständiges Prognosegitter in einem einzigen Durchlauf. Dies führt zu einer signifikanten Reduzierung der Prognosevolatilität und verbessert gleichzeitig die statistische Effizienz des Trainings sowie die Rech
Einflussdiagnostik bei hochdimensionaler M-Schätzung: Präzise Asymptotik
Die Untersuchung befasst sich mit der Wirkung einzelner Trainingsdaten auf statistische Modelle, klassisch gemessen durch den Einfluss des Weglassens eines Datenpunktes. Während dieses Verfahren in niedrigdimensionalen Szenarien gut erforscht ist, entstehen in hochdimensionalen Räumen komplexe Abhängigkeiten zwischen den Trainingsbeispielen. Die Arbeit charakterisiert die Verteilung dieser Einflüsse für konvexe M-Schätzer unter Gauß-Annahmen präzise. Dabei zeigt sich, dass besonders einflussreiche Datenpunkte häufi
Fallstricke und Lösungen bei der Multi-Task-Bayes-Optimierung
Die Bayes-Optimierung nutzt häufig Daten aus verwandten Quellaufgaben, um Ziel-Experimente zu beschleunigen, wobei meist Multi-Task-Gauß-Prozesse als Standardmodell dienen. Eine Untersuchung zeigt jedoch, dass diese Modelle selbst bei einfachen affinen Zusammenhängen zwischen Aufgaben die Korrelationen systematisch falsch einschätzen. Die Ursachen liegen in der Standardisierung der Aufgaben sowie in der langsamen Identifikation der Korrelation durch die marginale Likelihood. Als Gegenmaßnahmen werden die Modellieru
Spracherkennung mittels kompositioneller Datenanalyse: Ein linearer Klassifikator auf Basis der Log-Ratio-Geometrie
Ein neuer Ansatz zur automatischen Spracherkennung nutzt die kompositionelle Datenanalyse, um Zeichen- und Bigramm-Häufigkeitsverteilungen effizient zu verarbeiten. Durch die Anwendung der zentrierten Log-Ratio-Transformation werden Daten in einen Raum überführt, in dem euklidische Distanzen den Aitchison-Distanzen entsprechen. Diese Methode kombiniert statistische Merkmale mit Laplace-Glättung, um eine hohe Genauigkeit bei geringem Rechenaufwand zu erzielen. Der Ansatz bietet eine deterministische und interpretier