Berlin Bruxelles Chennai Lausanne New York Oxford: Peter Lang
xxii, 239 Seiten.
Dissertation Universität Oldenburg 2025
Arbeitsrecht: Diskriminierung und Mobbing; Verbraucherschutzrecht; HochschulschriftAntidiskriminierungsrechtVollzugsdefizitRechtsverfolgungVerbandsklage
Trotz rechtlicher Fortschritte bleibt effektiver Diskriminierungsschutz häufig lückenhaft - insbesondere dort, wo strukturelle Ungleichbehandlungen nicht durch individuell Betroffene gerichtlich geltend gemacht werden können. Diese Arbeit widmet sich der Frage, ob und wie ein Verbandsklagerecht im Antidiskriminierungsrecht zur Schließung dieser Schutzlücke beitragen kann. Die Arbeit analysiert bestehende Klagemodelle in verschiedenen Rechtsbereichen - vom Verbraucher- über das Wettbewerbs- bis hin zum Umweltrecht - und prüft, welche ihrer Strukturprinzipien sich für eine Übertragung auf das Antidiskriminierungsrecht eignen. Besonderes Augenmerk liegt dabei auf Fallkonstellationen ohne individuelle Klageberechtigung, etwa diskriminierende Stellenanzeigen. Auf dieser Grundlage schlägt die Arbeit ein eigenständiges Verbandsklagerecht vor, das Verbände befähigt, auch ohne individuelle Betroffenheit selbstständig Klage zu erheben, ergänzt durch die Einführung der Prozessstandschaftsbefugnis für einzelfallbezogene Verbandsklagen
As data availability increases while labels remain scarce, semi-supervised and unsupervised learning have become central to modern machine learning. Yet, scaling these methods to large, high-dimensional datasets remains computationally challenging. This work develops and investigates highly efficient algorithms for optimizing probabilistic generative models with discrete latent variables. Novel truncated variational posterior approximations are derived and combined with mixtures of factor analyzers (MFAs). The proposed approach exhibits sublinear scaling w.r.t. data and model size and enables training of Gaussian mixture models and MFAs at previously not reported scales on a single compute node. Furthermore, this work combines the variational optimization techniques with graph-based semi-supervised learning and investigates the application of variationally optimized generative models to the task of blind zero-shot denoising of macroscopic and microscopy images.
Mit zunehmenden Daten, bei denen nur wenige Datenpunkte gelabelt sind, gewinnen halb- und unüberwachte Lernalgorithmen im modernen maschinellen Lernen an Bedeutung. Die Skalierung dieser Methoden auf große, hochdimensionale Datensätze bleibt jedoch oft rechnerisch anspruchsvoll. In dieser Arbeit werden daher hocheffiziente Algorithmen zur Optimierung probabilistischer generativer Modelle mit diskreten latenten Variablen entwickelt und untersucht. Es werden neue, sogenannte truncated, variationale A-Posteriori-Approximationen hergeleitet und mit Mixture of Factor Analyzers (MFA)-Modellen kombiniert. Der vorgeschlagene Ansatz weist eine sublineare Skalierung hinsichtlich Daten- und Modellgröße auf und ermöglicht das Training von Gaußschen Mischmodellen und MFAs in bisher nicht berichteten Größenordnungen auf einem einzigen Rechenknoten. Zudem kombiniert diese Arbeit die variationalen Optimierungstechniken mit graphbasiertem halb-überwachtem Lernen und untersucht Anwendungen variational optimierter generativer Modelle für das blinde “Zero-Shot”-Entrauschen von makroskopischen und mikroskopischen Bildern.
Einleitung: Brustkrebs bei Frauen unter 40 Jahren ist ein gravierendes Gesundheitsproblem. Diese Studie analysierte die onkologischen Outcomes nach Tumorbiologie, Tumorstadium und Therapieart. Methode: Monozentrische, retrospektive, komparative Studie. Für den Vergleich wurde der Log-Rank-Test verwendet, für Rezidiv- und Überlebensraten die Kaplan-Meier-Methode. Ergebnisse: 88 Fälle (median 36 Jahre) wurden untersucht. Am häufigsten waren Stadium I (48,9 %), Triple-negativ (26,7 %), G3 und erhöhter Ki67-Typ. Bei den Therapien kam es zu wenigen schweren unerwünschten Ereignissen. In 26,1 % der Fälle trat ein Rezidiv (mean 40 Mo) auf, meist bei HER2-positiv (50 %) und Triple-negativ (30,4 %). Die rezidivfreien 3- und 5-Jahresraten betrugen 84,9 % bzw. 77,3 % und die Gesamtüberlebensraten 93,1 % bzw. 90,3 %. Es gab keine statistisch signifikanten Unterschiede in den onkologischen Outcomes bezüglich der Tumorbiologie und der Chemotherapieart. Ein fortgeschrittenes Stadium wirkte sich negativ auf die Prognose aus (p <0,001). Fazit: Junge Frauen neigen zu aggressiven Mammakarzinomen, die die onkologischen Ergebnisse negativ beeinflussen.
Introduction: Breast cancer in women under 40 years is a health concern. This study analyzed the oncological outcomes of young breast cancer patients according to tumor biology, tumor stage and type of therapy. Method: Monocentric, retrospective, comparative study. Log-rank test was used for group comparisons and Kaplan–Meier method for recurrence and survival rates. Results: 88 women (mean age 36) were included. The most common tumors were stage I (48.9%), triple-negative (26.7%), G3 and increased Ki67 type. Recommended therapies were well tolerated and only a few serious adverse events occurred. Recurrence occurred in 26.1% of cases (mean 40 mo), mostly in HER2-positive (50%) and triple-negative (30.4%) groups. The 3- and 5- years recurrence-free survival rates were 84.9% and 77.3%, and overall survival rates were 93.1% and 90.3%, respectively. No statistically significant differences in oncological outcomes according to tumor biology and type of chemotherapy were observed, but advanced stage affected negatively the prognosis (p=<0.001). Conclusion: Young women tend to have more aggressive breast cancers, which affects their oncological outcomes.
Seite 21 von 6766
