BieColl - Bielefeld eCollections
Not a member yet
1004 research outputs found
Sort by
Prediction of Intermuscular Co-contraction Based on the sEMG of Only One Muscle With the Same Biomechanical Direction of Action
Full text link
Research aims to enhance physical abilities using exoskeletons and limb movement prediction. SEMG signals are used for intuitive control, but their measurement is limited to shallowly under-the-skin muscles, making deep muscle signals less frequently used.Here we extended a previously proposed method to train a virtual sensor for the difficult to access muscles (deep muscles e.g. brachialis).The method is extended from signals from the same muscle to intermuscular signals and the results confirm simple biomechanical assumptions. The trained virtual sensors are ready for further investigations by being used in a biomechanical model
Langzeitverfügbarkeit mit Rosetta: ein Werkstattbericht
Full text linkFür wissenschaftliche Bibliotheken in NRW ist seit Anfang 2022 durch das Kulturgesetzbuch (KulturGB NRW) vorgesehen, Verfahren zur Langzeitverfügbarkeit (LZV) für digitale Bestände zu etablieren. Die Landesinitiative Langzeitverfügbarkeit (LZV.NRW) baut zu diesem Zweck eine kooperative Infrastruktur auf, die sich an alle NRW-Hochschulen und ihre Bibliotheken richtet. Die UB Bielefeld nutzt das Angebot der Landesinitiative, das eine Lizenz für die Archivierungssoftware „Rosetta“ sowie Service und Support durch das hbz umfasst.
Im Rahmen des Projekts „Langzeitverfügbarkeit mit Rosetta“ evaluieren UB und Kompetenzzentrum Forschungsdaten die Archivierungssoftware, ein kommerzielles Produkt der Fa. Ex Libris. Es wird getestet, ob die Software dazu geeignet ist, ausgewählte bibliothekseigene Bestände langzeitverfügbar zu machen. Im zweiten Schritt soll ein Dienstleistungsangebot zur Langzeitverfügbarkeit von Forschungsdaten entwickelt werden, das sich an Bielefelder Forschende richtet
Persistente Identifikatoren in Deutschland – Vorbereitung und Durchführung einer Umfrage zur Verbreitung und Nutzung an Kultur- und Wissenseinrichtungen sowie erste Zwischenergebnisse
No full textDas von der Deutschen Forschungsgemeinschaft (DFG) geförderte Projekt „PID Network Deutschland“ (https://www.pid-network.de) führt aktuell eine Umfrage zur Nutzung von persistenten Identifikatoren (PID) im wissenschaftlichen Kontext in Deutschland durch. Mit dieser Umfrage möchte das Projekt, an dem das Helmholtz Open Science Office, die Deutsche Nationalbibliothek (DNB), die Technische Informationsbibliothek (TIB), DataCite und die Universitätsbibliothek Bielefeld beteiligt sind, einen Einblick in den aktuellen Stand der Erfahrung, Nutzung, Herausforderungen und Lücken bei der Anwendung und Implementierung von PIDs an universitären und außeruniversitären Forschungseinrichtungen systematisch erfassen und analysieren.
Nach einer kurzen Einführung in das „PID Network Deutschland“ fokussiert der Vortrag auf die Umfrage und gibt einen ersten Einblick in die Umfrage-Ergebnisse zur Erfahrung, Nutzung sowie der Bedarfe und Lücken bei der Anwendung von persistenten Identifikatoren unter den universitären und außeruniversitären Forschungsinfrastrukturen
Linguistic-Based Reflection on Trust Calibration in Conversations with LLM-Based Chatbots
Full text linkThis paper presents a linguistic approach to trust in human conversations with LLM-based chatbots. Using the concept of trust calibration as a starting point, we aim to address the question of how to increase user AI literacy and prevent misuse of as well as overtrust in the information provided by LLM-based chatbots in educational contexts. We propose a linguistic-based model of trust calibration that supports users in adopting a critical perspective on trust calibration and controlling their trust level. The method combines previous studies on trust in human interaction, specifically linguistic trust cues displayed by human trustors to indicate their level of trustworthiness in naturally occurring contexts with studies on proactive human-computer interaction and the social influence of conversational agent's embodiment in educational contexts
COMETH - An Active Learning Approach Enhanced with Large Language Models
Full text linkWe present a system for supervision of technical processes, called COMETH, which involves an active learning approach. The system is able to identify anomalies with very little training data, through an efficient feedback process. COMETH has been successfully applied in the context of heating ventilation and air conditioning systems and in industrial machinery. Here, we describe the idea of combining the time series analysis COMETH with large language models to integrate further context information and thus provide the user with specific recommendations
Trade-offs Between Privacy and Performance in Encrypted Dataset using Machine Learning Models
Full text linkIn recent years, with the increasing importance of dataset privacy in machine learning (ML) applications, there has been an increased demand for secure and privacy-preserving solutions. Consequently, encryption techniques have become known as a critical tool for protecting data privacy in an era of massive data use, exchange, and analysis. Encryption protects data against illegal access and disclosure by changing it into unreadable ciphertext that can only be decrypted by authorized parties. In the field of ML, where sensitive data is often utilized, in such a process the use of encryption techniques has significant potential for providing privacy-preserving model training and inference. Therefore, this article analyzes, investigates, and compares three widely used encryption techniques. Each encryption method offers unique advantages and trade-offs. Thus, we evaluate the performance of Convolutional Neural Network (CNN) models trained on encrypted datasets using these encryption techniques to provide detailed information on the effectiveness, practical concerns, and applicability of various methods for real-world applications by completely analyzing them within the context of computer vision. We test the performance of CNN models trained on encrypted data with several encryption approaches using neural models based-architecture. Parameters such as training time, memory usage, and classification accuracy are analyzed and compared between encryption methods. We also look into the effect of encryption on model interpretability and robustness against adversarial attacks. Furthermore, to support our study we demonstrate our approach by using practical implementation—to showcase the performance and efficiency of each encryption strategy in protecting data privacy while keeping model accuracy and testing in a real-time recognition application using an edge device such as NVIDIA Jetson. Through this comparative analysis, researchers and developers can achieve a more in-depth understanding of the importance and issues involved with the integration of encryption techniques into ML especially in computer vision application workflows
Finde den Verlag für Dein Open-Access-Buch: Bericht über die Erweiterung der Rechercheplattform „oa.finder“ um die Suche nach wissenschaftlichen Buchverlagen
Full text linkIm Rahmen des Verbundprojekts open-access.network wird eine Plattform zur Recherche nach Wissenschaftsverlagen entwickelt. Es ist die Erweiterung des oa.finders, der aktuell publikationsrelevante Informationen zu rund 57.000 Zeitschriften und Journals enthält. Für die geplante Suche nach Publikationsmöglichkeiten von Büchern im Open Access wird die Expertise von Wissenschaftsverlagen erhoben und recherchierbar gemacht. Entwicklung und Implementierung des Tools erfolgen an der Universitätsbibliothek Bielefeld. Projektlaufzeit: 01.01.2023 bis 31.12.202
Implementierung einer automatischen DDC-Klassifikation für die Suchmaschine BASE auf Basis von Annif
Full text linkDieser Vortrag präsentiert die Ergebnisse einer Masterarbeit, die im Rahmen des Studiengangs MALIS an der TH Köln verfasst wurde.
In der Suchmaschine BASE werden bereits seit Jahren Dokumente maschinell nach der Dewey Decimal Classification (DDC) erschlossen, es besteht jedoch der Wunsch, das mittlerweile veraltete System zur automatischen Klassifikation zu ersetzen. Zu diesem Zweck war es erforderlich, Daten aus BASE zu gewinnen, die als Trainingsmenge eines maschinellen Lernverfahrens dienen können. Es wird gezeigt, wie mithilfe einer explorativen Analyse aus einem Korpus von über 220 Mio. Dokumenten geeignete Daten extrahiert, kuratiert und zu sprachspezifischen Lernkorpora umgearbeitet wurden. Auf dieser Grundlage wurden mithilfe des Toolkits Annif eine Reihe von Klassifikatoren erstellt, deren Leistungsfähigkeit anschließend evaluiert und ein geeigneter Kandidat ausgewählt. Ein Vergleich zeigt, dass das in dieser Ausarbeitung erstellte System dem zur Zeit im Einsatz befindlichen BASE-Klassifikator weit überlegen ist
Nonlinear Prediction in a Smart Shoe Insole
Full text linkIn our previous work, we have investigated different methods to compute the ideal placement of pressure sensors in a smart shoe insole. There, we used a linear model to predict the weight put on the foot/leg. In this work, we investigate how using a quadratic model instead changes the sensor placement and improves prediction performance
Provable Guarantees for Deep Learning-Based Anomaly Detection through Logical Constraints
Full text linkIncorporating constraints expressed as logical formulas and based on foundational prior knowledge into deep learning models can provide formal guarantees for the fulfillment of critical model properties, improve model performance, and ensure that relevant structures can be inferred from less data. We propose to thoroughly explore such logical constraints over input-output relations in the context of deep learning-based anomaly detection, specifically by extending the capabilities of the MultiplexNet framework