Deep neural networks are often considered Black Boxes due to their complex structure and their high number on non-linear computations. Even though they might perform better as humans for a specific task, their lack of transparency causes distrust and prevents them from being used in a much broader field of applications. Interpretability increasing algorithms aim to provide insight into a model and its decision-making. Various methods appeared in recent years, but do they really work or do they misinterpret parameters of the model? The difficulty of evaluating interpretability is the lack of ground truth. This work provides two evaluation settings in which we test different attibution methods. Both define a reasonable ground truth due to the appropriate choice of model and data. First, we propose to evaluate the model on the simplest non-linear problem - XOR. This allows us to understand both model and data, deriving a ground truth based on this knowledge. Additionally, we employ an invertible neural network which allows us to inspect internals more easily. The results confirm a promising way of evaluating attribution methods and establish a reliable evaluation framework based on a derived ground truth.

A large amount of available electronic health records nowadays provide a great opportunity for modern medicine to disentangle hidden connections between diseases, as well as to make better predictions of disease development and potential medication. However, due to the high-dimensional and sparse nature of the data, it appears challenging to use the records to their full extent.

In this work, I propose a tensor decomposition method on the UK Biobank linked electronic health records. I show that the resulting embeddings are interpretable on the patient as well as the disease level. Additionally, the vectorized patient topic associations add value to common hazard models in the context of disease prediction.

I find that the accuracy of the predictions thereby is strongly connected to the quality of the decomposition. As the data increases above certain levels, the quality suffers and therefore the significance of the prediction change compared to the baseline.

Eine der Voraussetzungen für ein autonom fahrendes Zweirad ist die Fähigkeit, sich beim Halten selbstständig aufrecht zu halten. Aus diversen Möglichkeiten, ein Zweirad sowohl im Stand, als auch in der Fahrt zu stabilisieren, wurde der Kreiselscheibanstabilisator (Gyroskop) ausgewählt.

Dieses Prinzip ist bereits seit Anfang des 19. Jahrhunderts bekannt und wurde bereits wenige Jahre später, z.B. im Schilowski-Car, einem Kfz, das ohne umzufallen auf zwei Rädern fahren und halten konnte, eingesetzt. Ähnliche Konstruktionen gab es auch für Schienen gebundene Fahrzeuge wie die Monorail, die auf nur einer mittig unter dem Fahrzeug liegenden Schiene fahren konnte. Für die Massenproduktion konnten sich die damaligen Konstruktionen, trotz ihres progessiven Entwicklungscharakters aber leider nicht durchsetzen. Heutzutage werden Gyroskope in Hochseeschiffen, Flugzeugen und Raumflugkörpern zur Lagestabilisierung eingesetzt.

Untersucht wird die Anwendbarkeit des Gyroskops zur Stabilisierung eines Fahrrads. Hierfür kam ein eBike zum Einsatz, für das CAD unterstützt ein spezifisch dafür konzipiertes Gyroskop konstruiert wurde. Hiermit konnte die mechanische Beweglichkeit der Komponenten geprüft werden. Um das Verhalten des dynamischen Systems Fahrrad und Gyroskop vorhersagen zu können, wurde das Gesamtsystem mit Hilfe  von Bewegungsgleichungen modelliert. Das Modell lieferte die Basis zur Simulation der Dynamik des Systems, auch in Grenzbereiche hinein und darüber hinaus. Die gewonnenen Daten waren eine wertvolle Unterstützung des gesamten Entwicklungsprozesses. Unter anderem trugen sie dazu bei, den zur aufrechten Balancierung des Fahrrades notwendigen Regelmechanismus zu entwickeln.

Im letzten Schritt wurde die Konstruktion aufgebaut, am Fahrrad getestet und die Ergebnisse mit den Simulationsvorhersagen verglichen.