Fachbereich Wirtschaftswissenschaft

Diese Abschlussarbeit verfolgt das Ziel, ein Metamodell zur systematischen Konfiguration von Parametern generativer Deep-Learning-Modelle für die Erstellung synthetischer Daten zu entwickeln. Ausgangspunkt ist eine umfassende Analyse der aktuellen wissenschaftlichen Literatur zu Meta-Learning- und Meta-Modeling-Ansätzen, mit besonderem Fokus auf Verfahren zur automatisierten Modell- und Hyperparameteroptimierung. Auf dieser Grundlage wird ein konzeptionelles Metamodell entworfen, das Erkenntnisse aus der Meta-ML-Forschung abstrahiert und auf generative Verfahren überträgt, insbesondere im Kontext neuronaler Netzwerke zur Datengenerierung. Das entwickelte Metamodell soll in der Lage sein, sowohl daten- als auch modellabhängige Einflussfaktoren zu berücksichtigen und diese in robuste Parameterempfehlungen zu überführen. Anschließend wird das Metamodell prototypisch implementiert und auf ausgewählte generative Deep-Learning-Ansätze angewendet. Die Wirksamkeit des Ansatzes wird durch eine empirische Evaluation anhand qualitativer und quantitativer Kriterien der synthetischen Daten bewertet. Die Arbeit leistet damit einen Beitrag zur Strukturierung und Automatisierung der Parametrisierung generativer Modelle und adressiert zentrale Herausforderungen in der effizienten und reproduzierbaren Erzeugung synthetischer Daten.