Hauptseite
Das Institutsseminar des Instituts für Programmstrukturen und Datenorganisation (IPD) ist eine ständige Lehrveranstaltung, die den Zweck hat, über aktuelle Forschungsarbeiten am Institut zu informieren. Insbesondere soll Studierenden am Institut die Gelegenheit gegeben werden, über ihre Bachelor- und Masterarbeiten vor einem größeren Auditorium zu berichten. Schwerpunkte liegen dabei auf der Problemstellung, den Lösungsansätzen und den erzielten Ergebnissen. Das Seminar steht aber allen Studierenden und Mitarbeiter/-innen des KIT sowie sonstigen Interessierten offen.
| Ort | Gebäude 50.34, Seminarraum 348 |
|---|---|
| Zeit | jeweils freitags, 11:30–13:00 Uhr |
Die Vorträge müssen den folgenden zeitlichen Rahmen einhalten:
- Diplomarbeit/Masterarbeit: 30 Minuten Redezeit + 15 Minuten Diskussion
- Studienarbeit/Bachelorarbeit: 20 Minuten Redezeit + 10 Minuten Diskussion
- Proposal: 12 Minuten Redezeit + 8 Minuten Diskussion
Weitere Informationen: https://sdqweb.ipd.kit.edu/wiki/Institutsseminar
Nächster Termin
Freitag, 14. April 2023, 11:30 Uhr
Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}
| Vortragende(r) | Paul Giza | |
|---|---|---|
| Titel | CGFLEX: A Flexible Framework for Causal Graph-based Data Synthesis | |
| Vortragstyp | Proposal | |
| Betreuer(in) | Bela Böhnke | |
| Vortragsmodus | in Präsenz | |
| Kurzfassung | Algorithms that can extract dependencies from data and represent them as causal graphs must also be tested. Often, only very few data is available for this and simulations are expensive and time-consuming. Another problem is that even when data is available, the ground truth about the underlying dependencies is usually not known. One solution to this problem is to generate synthetic datasets and use them to evaluate the results of said algorithms.
This work is concerned with building a framework for the synthesis of data. The synthesis process within such a framework would be to first generate a random dependency graph, and then in a second step populate this graph with random dependencies. From this construct, data sets could then be sampled. Furthermore, the user should be able to influence the size and structure of the dependency graph by controlling input values. And by defining the types of dependencies, it is possible to influence the complexity of the graph. Thus one receives an instrument for improvement and comparison of mentioned algorithms under various circumstances. | |