2972 research outputs found
Sort by
Besteuerung der Beneficiaries von common law Trusts in Deutschland
Full text linkDie Dissertation befasst sich mit der Besteuerung der Beneficiaries von common law Trusts in Deutschland. Insbesondere geht es um die Klärung offener Fragen in Hinblick auf die Zurechnungsbesteuerung nach § 15 AStG
Changing Relationships – On the Transformative Potential of Modern Intimacy
Full text linkThis thesis explores the transformation of intimate relationships in Western societies, shaped by long-standing norms and modern values. It examines how amatonormativity, mononormativity, and heteronormativity sustain modern monogamy, which prioritizes stability but faces tensions with ideals of independence and equality. Drawing on Jaeggi’s (2014) critique of forms of life, modern monogamy is seen as a system in crisis, unable to reconcile these conflicts. In response, alternative relationship models - such as open relationships, polyamory, and chosen singlehood - emerge to address these tensions by promoting greater individual autonomy. However, this research argues that these alternatives often only rearrange existing norms rather than fundamentally challenging the structural inequalities that sustain the crisis. To move beyond this cycle, the thesis explores paths for deconstructing or transcending these norms while addressing issues of privilege and agency, ultimately advocating for more inclusive and equitable forms of intimacy
Choice history biases in dyadic decision making
No full textHow do we interact with our environment and make decisions about the world around us? Empirical research using psychophysical tasks has demonstrated that our perceptual decisions are influenced by past choices, a phenomenon known as the “choice history bias” effect. This decision-making process suggests that the brain adapts to environmental uncertainties based on history. However, single-subject experiment task design is prevalent across the work on choice history bias, thus limiting the implications of the empirical evidence to individual decisions. Here, we explore the choice history bias effect using a dual-participant approach, where dyads perform a shared perceptual decision-making task. We first propose two competing hypotheses: the participants equally weigh their own and their partner’s decision history, or the participants do not weigh equally their own and their partner’s decision history. We then use a statistical modeling approach to fit generalized linear models to the choice data in a series of steps and arrive at a model that best fits the observed data. Our results indicated that the own and partner’s trial history cannot be treated independently. The findings suggest an interaction of actor and decision at 1-back, leading to a choice alternation bias after a partner’s decision in contrast to a choice repetition bias after an own decision. A similar effect is observed at 2-back, in addition to an additive choice repetition bias of similar size. The effects of actor and decision at 2-back do not depend on the properties of the 1-back trial. Together, these findings support the idea that the participants do not ignore their partner’s decisions but treat these qualitatively differently from their own
Rate-Adaptive LiDAR Point Cloud Streaming over Wireless Networks
No full textThe agricultural industry is pursuing the long-term vision of fully autonomous farming, in which fleets of autonomous robots perform tasks traditionally carried out by farmers. This cumulative dissertation addresses two key challenges towards realizing this vision: (1) The efficient streaming of LiDAR point clouds over bandwidth-constrained and instable wireless networks to enable efficient offloading of computationally expensive processing tasks from the robots to dedicated computing centers, and (2) the robust connectivity of agricultural robots operating in rural areas with limited or no access to traditional broadband networks. This thesis proposes solutions to both challenges. Specifically, we develop the concept of on-the-fly LiDAR point cloud streaming to address the first challenge. The key idea is that points from an ongoing LiDAR scan are streamed incrementally as the sensor creates them. This differs fundamentally from existing approaches, in which point clouds are transmitted only after the LiDAR has completed the scan and the entire point cloud has been created. Our approach pipelines the LiDAR point cloud streaming process of scanning, processing, and transmission, minimizing the induced delay, and, thereby, enabling delay-sensitive applications. Additionally, we address the second challenge by assessing the ability of Starlink, as today's largest commercially usable LEO satellite network, to provide reliable broadband connectivity to the agricultural robots. We conduct long-term, orchestrated, and fine-grained measurement campaigns to analyze Starlink's general performance and to dissect the impact of potential degrading factors such as weather and obstruction. In the publications that constitute this cumulative dissertation, we present the initial concept of on-the-fly LiDAR point cloud streaming and incrementally expand and improve our approach into a practical solution compatible with LEO satellite networks. Although our work is motivated by agriculture, our solution can be flexibly applied to other domains
Flat Degenerations and Polynomial System Solving in Physics and Chemistry
No full textPolynomial systems are fundamental tools for modeling nonlinear phenomena in physics,
chemistry, biology, engineering, and other physical sciences. In many applications, these
systems are highly structured and parameterized. This dissertation investigates both numerical
and symbolic methods for solving such systems, with particular emphasis on the algebraic
structures that arise in the process.
We develop theoretical and computational methods to analyze the number of complex
solutions of certain systems of polynomial equations and to construct efficient numerical
homotopy algorithms. Central to our approach is the concept of flat degenerations, which
are families of algebraic varieties deforming a given variety into a simpler one, often with
combinatorial structure, such as a toric variety. Using Gröbner or Khovanskii bases, we
construct such degenerations to better understand and control the solution sets for given
polynomial systems.
The thesis addresses several core questions: How can one compute tight root bounds
for highly structured polynomial systems? When do given generators form a Gröbner or
Khovanskii basis? Can several Gröbner or Khovanskii bases be combined to obtain a basis for
a desired variety? We explore these questions in the context of fiber products of unirational
varieties over the affine line, the graphs of the Grassmannians, and families of polynomial
systems arising in quantum chemistry, nonlinear dynamics, and particle physics.
We propose new algorithms, including a Khovanskii basis detection algorithm and a
homotopy continuation strategy adapted for specific structured systems called horizontally
parameterized systems. We implement them using Julia or Macaulay2. These methods are
applied to a variety of scientific problems ranging from coupled cluster theory in quantum
chemistry to scattering equations in particle physics, demonstrating both theoretical insight
and computational efficiency
A classifier-deduced signal extraction approach for time difference estimation in acoustic sensor networks
No full textWith the development of reliable AI-based species classifiers and the design of low-cost autonomous recording units, acoustic monitoring has become an emerging research field. Although strides are made in automated species monitoring, automated localization remains a significant challenge. Distinguishing and pinpointing bird sounds in noisy, reverberant, and dynamic natural environments is extremely difficult, ultimately deteriorating the accuracy of time difference estimations and, consequently, localization. In this paper, we take a significant step towards reliable automated localization by presenting a viable and generalizable approach to extracting species-dependent signals from intermixed acoustics, which we call Classifier-Deduced Signal Extraction (CDSE). These signals can be used to estimate precise time differences while retaining information for individual species. Our method seamlessly extends the current capabilities, requiring only minor modifications to state-of-the-art classifiers. We prove its applicability and usefulness by deploying it on bird acoustics using the popular bird species classifier BirdNET
Civil society organisations and the local politics of migration: how funding contexts matter
No full textMigration studies have highlighted the crucial role of civil society organisations (CSOs) in the local politics of migration. Less explored is the impact of the material conditions under which CSOs operate. And yet CSOs delivering public services to migrant and racialised populations often rely on public funding which has been significantly restructured since neoliberal welfare reforms in many Western countries in the 1990s. This article examines how funding contexts shape the opportunities of CSOs to influence local policymaking on migration and migration-related change from a cross-country and cross-city comparative perspective. Based on the empirical analysis of four cities in France and Germany and a comprehensive dataset comprising interviews, observations and documents, we argue that funding contexts significantly impact on CSOs’ potential to shape local policymaking. They do so by enhancing and restricting (1) CSOs’ access to spaces of policymaking as well as (2) CSOs’ capacities for political engagement. We demonstrate the mediating importance of specific funding structures and politics at both national and local scales as well as the role of state-CSO relations in manifesting and reproducing these funding contexts
Die Doppelbesteuerungsproblematik von Altersvorsorge und -versorgung im Übergang von der vorgelagerten zur nachgelagerten Besteuerung
No full textIn der Dissertation wird die Problematik einer doppelten Besteuerung von Altersvorsorgebeiträgen und daraus resultierenden Altersversorgungsbezügen, die im Übergang von der vorgelagerten zur nachgelagerten Besteuerung von Sozialversicherungsrenten auftritt, normativ untersucht sowie auf der Grundlage verschiedener Simulationsmodelle konkret quantifiziert
Building Monitoring through Multimodal Remote Sensing Data and Deep Learning
No full textLuft- und weltraumgestützte Fernerkundungssensoren ermöglichen eine schnelle, großflächige Kartierung der Erde. Mit den Fortschritten bei den Sensortechnologien und den photogrammetrischen Auswertetechniken sind Stereobilddaten und Digitale Oberflächenmodelle (DOM) zunehmend zugänglich geworden. Gebäude als wichtige Bestandteile von städtischen Gebieten stehen im Mittelpunkt vieler Fernerkundungsanalysen, wobei Analysen zur Gebäudeextraktion und Erkennung von Veränderungen eine komplexe Thematik sind.
In jüngster Zeit hat das Deep Learning die Analyse von Geo- und Fernerkundungsdaten revolutioniert. Die Fortschritte bei der Rechenleistung und die zunehmende Menge an Trainingsdaten ermöglichen eine Datenanalyse mit einer Genauigkeit und in einem Umfang, die zuvor unvorstellbar waren. Dennoch sind viele moderne Deep-Learning-Modelle, die vor allem für Aufgaben im Bereich der Computer Vision entwickelt wurden, nur unzureichend auf Fernerkundungsaufgaben zugeschnitten und erprobt, insbesondere bei multimodalen Fernerkundungsdaten.
Um die Anwendbarkeit von Deep-Learning-Methoden für die Gebäudeüberwachung in realen Szenarien zu untersuchen, werden in dieser Dissertation Deep-Learning-Methoden zur Gebäudeextraktion und Schadensklassifizierung weiterentwickelt und eingesetzt, um Katastropheneinsätze zu unterstützen und eine Lagebeurteilung zu ermöglichen. Drei wesentliche Herausforderungen, die die Leistung der Deep-Learning-Methoden behindern, werden identifiziert und analysiert: Domänenlücke, Datenqualität und Datenannotation.
Aufgrund des hohen Zeitaufwands und des erforderlichen Fachwissens ist die Menge der annotierten Fernerkundungsdaten relativ gering. Dieses Problem ist bei multitemporalen Daten noch ausgeprägter und beeinträchtigt die Verallgemeinerbarkeit von End-to-End Modellen. Bei komplexen Aufgaben sind die Anmerkungen oft ungenau oder nicht ausreichend auf die Anforderungen zugeschnitten, was sich nicht nur negativ auf das Training und die Tests auswirkt, sondern auch zu Mehrdeutigkeit bei der Interpretation der Ergebnisse führt. Die Domänenlücke, die sich aus den Unterschieden zwischen Trainings- und Testdaten ergibt, ist ein erhebliches Hindernis für Deep Learning-Modelle in der Fernerkundung. Diese Diskrepanz ergibt sich aus der Variabilität von Gebäudemerkmalen und Stadtstrukturen sowie aus Unterschieden bei Sensortypen und -plattformen und kann die Modellleistung erheblich beeinträchtigen. Die Datenqualität, die durch die Bedingungen der Datenerfassung und die Einschränkungen bei der Vorverarbeitung beeinflusst wird, stellt eine zusätzliche Herausforderung dar, da eine unzureichende Qualität sowohl die Effizienz des Modells als auch die Verwendbarkeit der Ergebnisse beeinträchtigen kann. Schließlich schränkt der Mangel an Annotationen, insbesondere bei multitemporalen Daten, die Verallgemeinbarkeit von Modellen für komplexere reale Anwendungen ein. Komplexe Aufgaben erfordern oft genaue, spezialisierte Annotationen, und deren Fehlen kann zu Mehrdeutigkeit bei Modellergebnissen und Interpretationen führen.
Diese Dissertation nutzt die Synergie zwischen Spektralbilddaten und Stereo-DOM-Daten und geht diese Herausforderungen in drei zentralen Beiträgen an:
Self-Training Framework for Building Extraction: Es wird ein neuartiges Framework vorgestellt, das Pseudo-Label aus Spektralbilddaten mit Hilfe von Höhendaten und Belief-Functions verfeinert und so die multimodale Fusion effektiv verbessert. Diese Methode wurde anhand von Benchmark-Daten trainiert und sowohl mit Luft- als auch mit Satellitendaten getestet. Sie zeigt eine starke Verallgemeinbarkeit über alle Modalitäten hinweg und mildert die Auswirkungen von Domänenlücken ohne zusätzliche Annotationsanforderungen.
Decision-Fusion-Methode zur Erkennung von Gebäudeveränderungen: Durch die Kombination von Bildmerkmalen, Höhendaten und Deep-Learning-Vorhersagen verbessert dieser Ansatz die Robustheit in cross-domain Tests und übertrifft hier sogar normale Deep-Learning-Methoden zur Erkennung von End-to-End-Veränderungen. Darüber hinaus wird ein neuartiges Co-Learning-Paradigma, das mit realen und synthetischen multimodalen Daten für die Erkennung von Gebäudeveränderungen getestet wurde, vorgeschlagen, um die komplementäre Information zwischen Bild- und DSM-Daten zu nutzen und gleichzeitig flexible Anforderungen an die Dateneingabe zu erfüllen, wenn eine Datenmodalität fehlt.
Simulated Multimodal Aerial Remote Sensing (SMARS) Dataset: Um den Mangel an annotierten multimodalen Fernerkundungsdatensätzen zu beheben, bietet SMARS spektrale Stereobilder, die mit Hilfe von Game Engines und DSM mittels Photogrammetrie erzeugt wurden. SMARS wurde zusammen mit echten multimodalen Daten validiert und kann für die Extraktion von Gebäuden sowie die Segmentierung und die Erkennung von Veränderungen verwendet werden. SMARS bietet eine kosteneffiziente, präzise ground truth für Benchmarking-Aufgaben, bei denen solche Daten nicht ohne weiteres verfügbar sind, und die Generierungspipeline von SMARS kann zur Verbesserung der Verfügbarkeit von Trainingsdaten verwendet werden
Adaptive Learning Systems Engineering: Konzeption und Implementierung KI-basierter, adaptiver Lernumgebungen
Full text linkHochwertige Bildung gilt als einer der Schlüsselfaktoren für das Wachstum und den Wohlstand einer Volkswirtschaft. Entscheidend für eine solche hochwertige Bildung ist die Differenzierung von Lernumgebungen durch Adaption. Bislang ist eine solche Adaption jedoch mit erheblichem zeitlichem und personellem Aufwand verbunden. Künstliche Intelligenz bietet das Potenzial, diese Aufwände durch Automatisierung zu reduzieren und dadurch die Umsetzung hochwertiger Bildung auf breiter Ebene zu ermöglichen. Ziel dieser Dissertation ist daher die Konzeption und Implementierung KI-basierter, adaptiver Lernumgebungen.
Um dieses Ziel zu erreichen, wird ein gestaltungsorientierter Forschungsansatz verfolgt, der durch das Entwickeln und Evaluieren von Prototypen Gestaltungswissen ableitet. Ergänzt wird dieser Ansatz durch eine interdisziplinäre Perspektive: Aus der Didaktik werden die Konzepte der inneren und äußeren Differenzierung integriert, aus der Sozialpsychologie die Stereotypenbedrohung und aus der Mensch-Computer-Interaktion das Prinzip des psychologisch inklusiven Designs. Diese Konzepte werden in die Wirtschaftsinformatik überführt, um die theoretische Wissensbasis zu erweitern und spezifische Anforderungen an KI-basierte, adaptive Lernumgebungen abzuleiten.
Die Dissertation untersucht zwei zentrale Ebenen adaptiver Lernumgebungen: die Adaption auf Gruppenebene und die Individualisierung. Auf Gruppenebene liegt der Fokus exemplarisch auf dem demografischen Merkmal Geschlecht. Es werden geschlechtsspezifische Barrieren in Online-IT-Kursen identifiziert und durch die Entwicklung gezielter IT-Artefakte adressiert. Dazu gehören ein Conversational Agent als inklusive Designlösung sowie eine Softwarelösung zur automatisierten Erkennung und Überarbeitung stereotypischer Lerntexte. Auf Individualebene werden mithilfe generativer KI-Modelle Lerntexte interessensbasiert adaptiert. Ergänzend entsteht ein Empfehlungssystem, das darauf abzielt, Exposure Bias in Lernumgebungen zu reduzieren.
Die Dissertation zeigt anhand empirischer Daten, wie KI-basierte Systeme Lernumgebungen automatisiert an unterschiedliche Bedürfnisse adaptieren können. Damit leistet die Arbeit einen wesentlichen Beitrag zur theoretischen Wissensbasis der Wirtschaftsinformatik und bietet praxisnahe Handlungsempfehlungen und Leitlinien zur Gestaltung KI-basierter, adaptiver Lernumgebungen