TY - THES A1 - Rogawski, Julian T1 - Visualization of Neural Networks N2 - Künstliche neuronale Netze sind ein beliebtes Forschungsgebiet der künst- lichen Intelligenz. Die zunehmende Größe und Komplexität der riesigen Modelle bringt gewisse Probleme mit sich. Die mangelnde Transparenz der inneren Abläufe eines neuronalen Netzes macht es schwierig, effiziente Architekturen für verschiedene Aufgaben auszuwählen. Es erweist sich als herausfordernd, diese Probleme zu lösen. Mit einem Mangel an aufschluss- reichen Darstellungen neuronaler Netze verfestigt sich dieser Zustand. Vor dem Hintergrund dieser Schwierigkeiten wird eine neuartige Visualisie- rungstechnik in 3D vorgestellt. Eigenschaften für trainierte neuronale Net- ze werden unter Verwendung etablierter Methoden aus dem Bereich der Optimierung neuronaler Netze berechnet. Die Batch-Normalisierung wird mit Fine-tuning und Feature Extraction verwendet, um den Einfluss der Be- standteile eines neuronalen Netzes abzuschätzen. Eine Kombination dieser Einflussgrößen mit verschiedenen Methoden wie Edge-bundling, Raytra- cing, 3D-Impostor und einer speziellen Transparenztechnik führt zu einem 3D-Modell, das ein neuronales Netz darstellt. Die Validität der ermittelten Einflusswerte wird demonstriert und das Potential der entwickelten Visua- lisierung untersucht. N2 - Artificial neural networks is a popular field of research in artificial intelli- gence. The increasing size and complexity of huge models entail certain problems. The lack of transparency of the inner workings of a neural net- work makes it difficult to choose efficient architectures for different tasks. It proves to be challenging to solve these problems, and with a lack of in- sightful representations of neural networks, this state of affairs becomes entrenched. With these difficulties in mind a novel 3D visualization tech- nique is introduced. Attributes for trained neural networks are estimated by utilizing established methods from the area of neural network optimiza- tion. Batch normalization is used with fine-tuning and feature extraction to estimate the importance of different parts of the neural network. A combi- nation of the importance values with various methods like edge bundling, ray tracing, 3D impostor and a special transparency technique results in a 3D model representing a neural network. The validity of the extracted im- portance estimations is demonstrated and the potential of the developed visualization is explored. Y1 - 2023 UR - https://kola.opus.hbz-nrw.de/frontdoor/index/index/docId/2445 UR - https://nbn-resolving.org/urn:nbn:de:hbz:kob7-24451 ER -