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
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
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
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
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
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
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
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
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
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
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
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
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
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
Prof. Jean-François Boulicaut
INSA Lyon
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
Assoc. Prof. Maurizio Filippone
3AI, Côte d’Azur
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
Prof. Céline Robardet
INSA Lyon
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