Das weltweite Netzwerk des Kompetenzzentrums

Mit seinem weltweiten Netzwerk verbindet das Kompetenzzentrum ML2R renommierte Expert*innen für Künstliche Intelligenz und Maschinelles Lernen. Das Netzwerk bildet ein ideales Ökosystem für wissenschaftlichen Austausch und Zusammenarbeit zu zukunftsweisenden Technologien und Methoden maschineller Lernverfahren. Erhalten Sie im Folgenden einen Überblick über die Mitglieder des Netzwerks und erfahren Sie, an welchen Institutionen und wissenschaftlichen Themen die Expert*innen arbeiten und forschen.

Die Mitglieder des Steering Boards

Das Steering Board ist das externe, wissenschaftliche Beratungsorgan des Kompetenzzentrums. Seine Mitglieder sind hochrangige, international anerkannte Forschende aus der ganzen Welt, die die wissenschaftlichen Leistungen des ML2R vor dem Hintergrund des State-of-the-Art evaluieren und die Forschungsagenda mitgestalten. Im Rahmen von jährlich stattfindenden Konsultationen beraten die Steering Board Mitglieder die Forschenden des ML2R und setzen zukunftsweisende Impulse für die wissenschaftliche und strategische Ausrichtung des Kompetenzzentrums.

Dr. Francesco Bonchi
Wissenschaftlicher Leiter der ISI-Foundation, Italien

Dr. Kamalika Das
Expertin für maschinelle Lernverfahren bei VMware, Vereinigte Staaten von Amerika

Prof. Dr. Thomas Gärtner
Professor für Maschinelles Lernen an der Technischen Universität Wien, Österreich

Prof. Dr. Dimitrios Gunopulos
Professor für Informatik und Telekommunikation an der Nationalen und Kapodistrias-Universität Athen, Griechenland

Prof. Dr. Thorsten Joachims
Professor für Informatik und Informationswissenschaft an der Cornell University, Vereinigte Staaten von Amerika

Prof. Dr. Stan Matwin
Professor für Informatik an der Dalhousie University und Leiter des Institute for Big Data Analytics, Kanada

Prof. Dr. Srinivasan Parthasarathy
Professor für Informatik und Biomedizinische Informatik an der Ohio State University, Vereinigte Staaten von Amerika

Prof. Dr. Arno Siebes
Professor für Algorithmische Datenanalyse an der Utrecht Universität, Niederlande

Prof. Dr. Geoff Webb
Professor für Data Science und Künstliche Intelligenz und Wissenschaftlicher Leiter des Monash Data Futures Institute an der Monash University, Australien

Prof. Dr. Osmar Zaïane
Professor für Informatik an der University of Alberta und Wissenschaftlicher Leiter des Alberta Machine Intelligence Institute (AMII), Kanada

Die wissenschaftlichen Unterstützer

Namhafte Forschende unterstützten das ML2R in seiner initialen Phase und leisteten so einen Beitrag zur Etablierung des Kompetenzzentrums. Die wissenschaftlichen Unterstützer*innen bieten den Forschenden des ML2R die Möglichkeit zur Kooperation und zum wissenschaftlichen Austausch auf internationalem Spitzenniveau.

Prof. Karsten Borgwardt
ETH Zurich, Schweiz

BSD G 234
Mattenstrasse 26
4058 Basel
Switzerland

Forschungsinteressen

Graph-Kernel, Pattern Mining, Bioinformatik, Medizinische Informatik

ML2R-bezogene Forschung

  • Kernel-Methoden
  • Lernen aus Graphen

Prof. Jean-François Boulicaut 
INSA Lyon, Frankreich

Bât. B. Pascal
5° Avenue Jean Capelle
69621 Villeurbanne, France

Forschungsinteressen

Wissensentdeckung in Datenbanken, Constraint-basiertes Data Mining, unüberwachte Wissensentdeckung aus Daten (Clustering, Co-Clustering, Assoziatives Regellernen, Sequenzielles Pattern Mining, Graph Mining)

ML2R-bezogene Forschung

  • Lernen aus Graphen
Prof. Luc de Raedt
KU Leuven, Belgien

Departement Computerwetenschappen
Celestijnenlaan 200A – bus 2402
3001 LEUVEN
Belgium

Forschungsinteressen

Automatisierte Datenwissenschaft, Induktive Logische Programmierung, KI-gestützte Datenakquise, Probabilistische (Logische) Programmierung in ProbLog

ML2R-bezogene Forschung

  • Integration von Wissen und Daten
Prof. Pedro Domingos
University of Washington, Vereinigte Staaten von Amerika

Paul G. Allen School of Computer Science & Engineering
University of Washington
Seattle, WA, 98195-2350
USA

Forschungsinteressen

Regelbasierte Lernkonzepte, Beispielgebrauch für Implizite Konzeptdefinitionen, Probabilistische Repräsentationen und Analysen zur Behandlung von Unsicherheiten, Prozessautomatisierung zur Selektion von Repräsentationskonzepten, Kombination von Modellen zur Verbesserung der Genauigkeit und Zuverlässigkeit

ML2R-bezogene Forschung

  • Kernel Methoden
  • Wissensextraktion aus Texten, Probabilistische grafische Modelle
Prof. João Gama
University of Porto, Portugal

LIAAD-INESC Porto
Rua Dr. Roberto Frias, 378
4200-378 Porto
Portugal

Forschungsinteressen

Concept Drift, Ensemblemethoden , Konstruktive Induktion

ML2R-bezogene Forschung

  • Datenströme
Prof. Lise Getoor
UC Santa Cruz, Vereinigte Staaten von Amerika

University of California Santa Cruz
Engineering 2
1156 High Street
Santa Cruz, CA 95064
USA

Forschungsinteressen

Schlussfolgern unter Unsicherheiten, Kausales Relationales Lernen, Datenwissenschaften, Statistisches Relationales Lernen, Entity-Resolution, Probabilistische Weiche Logik

ML2R-bezogene Forschung

  • Fairness
  • Lernen aus Graphen
Director Fosca Giannotti
ISTI-CNR, Italien

Area della Ricerca CNR di Pisa
Via G. Moruzzi 1
56124 Pisa
Italy

Forschungsinteressen

Smart Cities, Datenschutz im Bereich sozialer Daten, Datenschutz/Sicherheit beim Data-Mining-Outsourcing, Datenschutzkonformes Data Mining, Datenschutzkonforme Publikationen, Data Mining, Raumzeitliches Data Mining, Analyse sozialer Netzwerke, Multidimensionale soziale Netzwerke

ML2R-bezogene Forschung

  • Datenschutzkonformes Data Mining, Erklärbarkeit von Modellen
  • Trajectory Data Mining, Raumzeitliche Modelle
Prof. Bart Goethals
University of Antwerp, Belgien

Campus Middelheim
Middelheimlaan 1
2020 Antwerpen
Belgium

Forschungsinteressen

Big Data Analysen, Empfehlungsdienste, Datenbereinigung

ML2R-bezogene Forschung

  • Kuratierung von Daten
  • Interaktives Maschinelles Lernen
  • Lernen aus Graphen / Integration von Wissen und Daten
Prof. Hillol Kargupta
Agnik LLC, Vereinigte Staaten von Amerika

Department of Computer Science and Electrical Engineering
1000 Hilltop Circle
University of Maryland Baltimore County
Baltimore, MD 21250
USA

Forschungsinteressen

Datenanalyse für verbundenes, verteiltes und ubiquitäres Data Mining: Entwicklung von Algorithmen und experimentellen Systemen, Verteiltes Rechnen, Wissensentdeckung und ihr Einfluss auf die Gesellschaft, Peer-to-Peer Data Mining, Datenschutzaspekte beim Mining verteilter Daten, Data Mining von Datenströmen auf ressourcenbeschränkten Geräten, Verteiltes Berechnen genetischer Ausdrücke, Genetische Algorithmen und Evolutionäre Systeme

ML2R-bezogene Forschung

  • Verteiltes Maschinelles Lernen „on the Edge”
Prof. Tei-Wei Kuo
National Taiwan University, Taiwan

Department of Computer Science and Information Engineering
Graduate Institute of Networking and Multimedia
Taipeh

Forschungsinteressen

Realzeit-Systeme, Eingebettete Systeme, Flash-Speicher Systeme, nichtflüchtige Speicher Systeme

ML2R-bezogene Forschung

  • Architekturbasiertes Maschinelles Lernen, Speichermodelle, Kompression
Prof. Shie Mannor
Technion, Israel

The Technion
Faculty of Electrical Engineering
Fishbach Bldg
Haifa
Israel

Forschungsinteressen

Bestärkendes Lernen, Lernen und Modellieren von Datendynamik, Systeme mit multiplen Entscheidungsträgern: Multiagentensysteme, verteilte/adaptive Systeme, Drift Detektion

ML2R-bezogene Forschung

  • Bandit Modelle
  • Lernen aus Graphen
Prof. Horoshi Motoda
Osaka University, Japan

Forschungsinteressen

Analyse sozialer Netzwerke, Künstliche Intelligenz, Maschinelles Lernen, Wissensentdeckung, Erfassung von Expertenwissen

ML2R-bezogene Forschung

  • Netzwerkanalysen, Integration von Wissen und Daten
Prof. Michèle Sebag
Paris-Sud University, Frankreich

Equipe A & O
Université Paris Saclay
91190, Gif sur Yvette
France

Forschungsinteressen

Kausale Modellierung, Präferenzlernen, Surrogat-Optimierung, Auto-ML

ML2R-bezogene Forschung

  • Verifikation und Validierung von ML-Modellen
  • Anwendungen des Maschinellen Lernens in den Sozialwissenschaften
  • Numerische Optimierung
  • Regularisierung, Merkmalskonstruktion, Kompositionale Auto-Encoder
PhD Katrin Tomanek
Google Translation, Vereinigte Staaten von Amerika

763 Guerrero Street
San Francisco, CA 94110
USA

Forschungsinteressen

Wissenschaftsdaten, Verarbeitung natürlicher Sprache, Maschinelles Lernen, Analyse Sozialer Medien, Automatische Spracherkennung bei Sprachstörungen

ML2R-bezogene Forschung

  • Wissensextraktion aus Texten
Prof. Zhi-Hua Zhou
Nanjing University, China

National Key Laboratory for Novel Software Technology
Nanjing University, Xianlin Campus
163 Xianlin Avenue, Qixia District
Nanjing 210023
China

Forschungsinteressen

Multi-Label Lernen, Multi-View und Multi-Instanz Lernen, Semi-überwachtes Lernen, Active Learning, Kostensensitives und klassenübergreifendes Lernen, Metrisches Lernen, Dimensionsreduktion und Merkmalsextraktion, Ensemble Lernen, Strukturlernen und Clustern, Crowdsourcing-Lernen, Logisches Lernen

ML2R-bezogene Forschung

  • Netzwerk Analysen, räumlich-zeitliche Modelle, Wissensgraphen

Die französischen Partner

Gemeinsam mit führenden Expert*innen Frankreichs stärkt das ML2R die deutsch-französische KI-Forschungszusammenarbeit. Aufbauend auf langjährig bestehenden Kooperationen an den ML2R-Standorten, werden deutsch-französische Forschungsprojekte im Kompetenzzentrum aktiv vorangetrieben. Unter Leitung von Sprecherin Prof. Dr. Katharina Morik organisiert die am ML2R verortete Koordinierungsstelle zudem die Zusammenarbeit zwischen dem französischen Nationalen Forschungsprogramm für Künstliche Intelligenz und dem deutschen Netzwerk der Nationalen Kompetenzzentren für Forschung zu Künstlicher Intelligenz.

Prof. Albert Bifet
Télécom Paris Tech

LTCI, Télécom Paris
Data, Intelligence and Graphs Team
19 place Marguerite Perey
91120 Palaiseau, France

Forschungsinteressen

Maschinelles Lernen für große Datenströme, IoT-Analyse, Open-Source-Software

ML2R-bezogene Forschung

  • Verteiltes Maschinelles Lernen “on the Edge”

ressourcenbewusstes ML

Bât. B. Pascal,
5° Avenue Jean Capelle
69621 Villeurbanne, France

Forschungsinteressen

Wissensentdeckung in Datenbanken, Constraint-basiertes Data Mining, unüberwachte Wissensentdeckung aus Daten (Clustering, Co-Clustering, Assosiatives Regellernen, Sequenzielles Pattern Mining, Graph Mining)

ML2R-bezogene Forschung

  • Lernen aus Graphen

hybrides ML

Campus SophiaTech
450 Route des Chappes
06410 Biot, France

Forschungsinteressen

Nachvollziehbare und skalierbare Bayessche Inferenz-Techniken für Gaussche Prozesse, Tiefe/Faltende Netze mit Anwendungen in Lebens- und Umweltwissenschaften

ML2R-bezogene Forschung

  • Interpretation von Ensembles
  • Probabilistische Modelle
  • Regularisierung, Bayessches (Tiefes) Lernen

vertrauenswürdiges ML

ressourcenbewusstes ML

hybrides ML

Prof. Elisa Fromont
Centre de recherche IRISA/INRIA Université de Rennes 1

263 Avenue du Général Leclerc
Bâtiment 12 F, Campus de Beaulieu
35042 Rennes, France

Forschungsinteressen

Kollaboratives Large-Scale Data Mining, Objekterkennung, Data Intelligence, Graph Mining, Szenenanalyse, Induktive Logische Programmierung

ML2R-bezogene Forschung

  • Erklärungen zum unüberwachten Lernen
  • Lernen aus Graphen

vertrauenswürdiges ML

hybrides ML

Batiment Blaise Pascal
20 av Albert Einstein
69621 Villeurbanne cedex, France

Forschungsinteressen

Subgruppenentdeckung, Co-Clustering, Constraint-basiertes Pattern Mining, Graphenmodellierung

ML2R-bezogene Forschung

  • Lernen aus Graphen

hybrides ML

PhD François Schnitzler
InterDigital R&D France

R&I Home and Enterprise
Wireless & Networking Lab InterDigital
975 Avenue des Champs Blancs
35576 Cesson-Sévigné, France

Forschungsinteressen

Moderne Hardware, Kommunikationsnetze, Ensemble-Methoden, Zeitreihenmodellierung

ML2R-bezogene Forschung

  • Verteiltes Maschinelles Lernen „on the Edge“
  • Graphische Modelle, Bayes

ressourcenbewusstes ML

hybrides ML

Prof. Michèle Sebag
Université Paris-Sud

Equipe A & O
Université Paris Saclay
91190 Gif sur Yvette, France

Forschungsinteressen
Kausale Modellierung, Präferenzlernen, Surrogat-Optimierung, Auto-ML

ML2R-bezogene Forschung

  • Verifikation und Validierung von ML-Modellen
  • Anwendungen des Maschinellen Lernens in den Sozialwissenschaften
  • Numerische Optimierung
  • Regularisierung, Merkmalskonstruktion, Kompositionale Auto-Encoder

vertrauenswürdiges ML

ressourcenbewusstes ML

hybrides ML

Prof. Christel Vrain
LIFO – Université d’Orléans

LIFO – University of Orléans
BP 6759
Cedex 2
45067 Orléans, France

Forschungsinteressen

Constrained Clustering unter Verwendung von Expertenwissen mit Hilfe von deklarativen Ansätzen wie Constraint Programming und Integer Linear Programming, Induktive Logische Programmierung, Relationales Lernen

ML2R-bezogene Forschung

  • Speicher
  • Komplexe Daten, Text, Chemie

ressourcenbewusstes ML

hybrides ML