cii Forschungsbereich: Decentralized Information Systems

Die Zentralisierung und Dezentralisierung von Informationssystemen sind allgegenwärtige Phänomene, die durch soziale und technische Aspekte bedingt sind. Im Allgemeinen neigen Informationssysteme zur Dezentralisierung, wenn die Beteiligten nach mehr Autonomie streben, und zur Zentralisierung, wenn die Beteiligten sich in die Informationssysteme integrieren. Um den Zweck von Informationssystemen zu erfüllen, müssen die technischen Systeme auf den Grad der Dezentralisierung von Informationssystemen abgestimmt werden. Es ist jedoch unklar, wie technische Systeme gestaltet sein sollten, um die Erreichung von Zielen von Informationssystemen durch zweckdienliche Dezentralisierung zu unterstützen. Die Forschungsgruppe cii untersucht dezentralisierte Informationssysteme und konzentriert sich dabei auf die Frage, wie technische Systeme gestaltet sein sollten, um eine zielgerichtete Dezentralisierung von Informationssystemen zu unterstützen. Insbesondere untersucht die Forschungsgruppe cii, wie technische Systeme aufbauend auf verschiedenen Technologien (z.B. Distributed-Ledger-Technologie und Maschinelles Lernen) gestaltet werden müssen, damit sie die zweckdienliche Dezentralisierung von Informationssystemen unterstützen.

Ausgewählte Forschungsperspektiven

Collaborative Distributed Machine Learning

Das Training von Machine-Learning-Modellen erfordert ausreichende Trainingsdaten in Bezug auf Quantität und Qualität, um aussagekräftige Vorhersagen mit geringen Generalisierungsfehlern zu treffen. Technische (z. B. unzureichende Computerressourcen) und Compliance-Herausforderungen (z. B. Datenschutzbestimmungen) behindern jedoch häufig die Beschaffung ausreichender Trainingsdaten von mehreren Parteien. Kollaboratives verteiltes maschinelles Lernen (eng. collaborative distributed machine learning) ist ein Paradigma des maschinellen Lernens, das zur Überwindung dieser Herausforderungen eingesetzt werden kann, indem Daten von mehreren Parteien verwendet werden, um ML-Modelle auf eine die Vertraulichkeit wahrende Weise zu trainieren. In kollaborativen verteilten maschinellen Lernsystemen (z. B. föderierte Lernsysteme) können die Parteien die Kontrolle über ihre Trainingsdaten behalten. Dies kann dazu beitragen, technische und Compliance-Herausforderungen zu lösen. Unsere Forschung untersucht die Gestaltung kollaborativer verteilter maschineller Lernsysteme aus einer soziotechnischen Perspektive und konzentriert sich dabei auf Robustheit, Vertraulichkeit und Fairness in kollaborativen verteilten maschinellen Lernsystemen sowie auf die Verwendung kollaborativer verteilter maschineller Lernsysteme in Informationssystemen.

Distributed Ledger Technology

Die Distributed-Ledger-Technologie kann die Dezentralisierung von Informationssystemen unterstützen, indem sie eine verteilte Datenbank bietet, die dezentral verwaltet und betrieben werden kann. Die Gestaltung von Systemen der Distributed-Ledger-Technologie, die den Anforderungen von Informationssystemen entsprechen, ist jedoch komplex. So steht beispielsweise das Blockchain-Trilemma dem gleichzeitigen Erreichen von hoher Sicherheit, Leistung und Dezentralisierungsgrad entgegen. Um das Design von Distributed-Ledger-Technologie-Systemen für Informationssysteme zu unterstützen (z. B. für Open Science), untersucht die Forschungsgruppe cii das Verhalten von Distributed-Ledger-Technologie-Systemen mit unterschiedlichen Designs und die Entwicklung von dezentralisierten Software-Anwendungen (eng., decentralized applications; Dapps). Darüber hinaus untersucht die Forschungsgruppe cii die Beziehung zwischen der Dezentralisierung von Distributed-Ledger-Technologie-Systemen und dem Grad der Dezentralisierung sozialer Systeme, um eine zweckdienliche Dezentralisierung von Informationssystemen zu unterstützen.

Cryptoeconomic Systems

Kryptoökonomische Systeme (eng. cryptoeconomic systems), die durch die Distributed-Ledger-Technologie ermöglicht werden, sind soziotechnische Systeme, in denen Marktteilnehmende (z. B. Einzelpersonen, Organisationen und Softwarekomponenten) das Eigentum an Vermögenswerten auf der Grundlage digitaler Token verwalten, die durch Prinzipien kryptografischer Systeme gesichert sind. Es sind verschiedene kryptoökonomische Systeme entstanden, wie z. B. das Bitcoin-System und das Ethereum-System, die interessante Investitionsmöglichkeiten in verschiedene Arten von Vermögenswerten (z. B. Kryptowährungen) bieten. Für den Handel mit solchen Vermögenswerten wurden automatisierte Market Maker entwickelt und in dezentralen Börsen eingesetzt. Die tatsächlichen Vorteile dezentraler Börsen im Vergleich zu zentralen Börsen in Bezug auf die Marktqualität bleiben jedoch unbekannt. Um die Vorteile dezentraler und zentraler Börsen besser zu verstehen, untersucht die Forschungsgruppe cii, wie unterschiedliche Designs von automatisierten Market Makern die Marktqualität beeinflussen können.

Fairness

Fairness in Informationssystemen ist zunehmend komplexer geworden und kann inzwischen kaum ihrer Gesamtheit erfasst werden kann. Daher ist die Gestaltung fairer Informationssysteme schwierig zu erreichen. Da Informationssysteme zu einem integralen Bestandteil unseres Lebens geworden sind, ist es wichtig geworden, Fairness bei der Gestaltung von Informationssystemen zu berücksichtigen. Da jedoch unklar ist, wie technische Aspekte von Informationssystemen Fairness zwischen Stakeholdern grundlegend beeinflussen, ist es schwierig, Fairness in Informationssystemen zu erreichen. Die Forschungsgruppe cii untersucht, wie Fairness in Informationssystemen erreicht werden kann, um die Verbesserung der Fairness in Informationssystemen zu unterstützen. Darüber hinaus erforscht die Forschungsgruppe cii das Spannungsverhältnis zwischen Fairness und anderen Konzepten wie Dezentralisierung, Reziprozität, Sicherheit und Skalierbarkeit.

Ausgewählte Publikationen

Verfügbare Abschlussarbeitsthemen (Auswahl)

» Zeige alle verfügbaren Themen an (Bachelor & Master)

Involvierte cii Forschende