Masterarbeit: Erklärbarkeit von Transformer-Modellen in der Autorschaftsverifikation

Hintergrund/Motivation: Autorschaftsverifikation (AV) wird in Bereichen wie Forensik, Plagiatserkennung und Fake-News-Detektion eingesetzt, um den wahren Urheber eines Textes zu identifizieren. Ziel der AV ist es, zu klassifizieren, ob zwei oder mehr Texte von demselben Autor verfasst worden sind (Y) oder nicht (N). Wie in den meisten KI-Feldern heutzutage, basieren die leistungsfähigsten Modelle meist auf Transformer-Architekturen. Während diese kontinuierlich neue Bestleistungen erzielen, beschränkt sich die Anwendung von Methoden zur Explainability (Erklärbarkeit) meist auf etwas ältere Modelle oder Architekturen. Das beschränkt die Anwendbarkeit neuester Methoden in der Praxis. Ziel: Das Ziel dieser Arbeit ist es, existierende Explainability-Methoden auf neuere, leistungsfähigere Modelle anzuwenden und dafür gegebenenfalls anzupassen. Des Weiteren sollen die entsprechenden Methoden, falls notwendig, erweitert werden, um auch für fachfremde Personen verständlich zu sein. Dies kann z.b. durch Visualisierungen oder das automatisierte Herausarbeiten der wichtigsten Eingabedaten realisiert werden. Ergebnisse: Die Arbeit soll illustrieren, welche Explainability-Ansätze für Transformer-Modelle geeignet sind oder dafür adaptiert werden können. Außerdem sollen die verschiedenen Explainability-Ansätze verglichen und ggf. kombiniert werden, um ein Explainability-Framework zu erstellen, das in der Praxis angewandt werden kann. Dadurch bieten die Ergebnisse sowohl einen wissenschaftlichen Beitrag zur Erklärbarkeit von modernen Transformer-Modellen, als auch einen direkten praktischen Nutzen in der Anwendung der Methoden.