Die Wissenschaftlerinnen und Wissenschaftler stellen sich vor

Verschaffen Sie sich einen Überblick über das wissenschaftliche ML2R-Team! Die Wissenschaftlerinnen und Wissenschaftler stellen sich mit einem Kurzprofil vor und verraten, an welchen Themen sie aktuell arbeiten, was sie am Maschinellen Lernen besonders interessiert und welchen der ML2R-Forschungsschwerpunkte ihre Arbeit zugeordnet ist.

Fouad Alkhoury

Forschungsschwerpunkt:

Trustworthy ML

An welchen Problemstellungen arbeiten Sie zurzeit?

    1. Effiziente Suche von häufigen Mustern.
    2. Kommunikationseffizientes verteiltes Lernen.

Woran sind Sie besonders interessiert?

Entwicklung von interpretierbaren Methoden, die die Transparenz der Black-Box-Modelle erhöhen könnten, um erklärbarere Lösungen zu erhalten.

Dominik Baack

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

Im Rahmen der CORSIKA 8-Entwicklung arbeite ich derzeit an der Beschleunigung der Ausbreitung von optischen Photonen durch die Atmosphäre. Photonen verbrauchen neben Funkemissionen einen großen Teil der CPU-Zeit. Durch den Einsatz von spezialisierten Hardwarebeschleunigern wie Vectoring, GPUs oder FPGAs kann die Laufzeit und der Energieverbrauch deutlich reduziert werden. Dabei ist es wichtig, dass die physikalische Genauigkeit erhalten bleibt und die generierten Ergebnisse reproduzierbar bleiben.

Woran sind Sie besonders interessiert?

Einsatz von moderner Hardware und Methoden zur Verbesserung der Gesamteffizienz von physikalischen Simulationen

Alexander Becker

Forschungsschwerpunkt:

Vertrauenswürdiges ML und Vergessen in ML

An welchen Problemstellungen arbeiten Sie zurzeit?

    1. Identifizierung und Sammlung bestehender Ansätze, die als Vergessen in ML betrachtet werden können.
    2. Übertragung von Erkenntnissen über kognitiv unterschiedliche Arten des Vergessens auf die ML-Domäne und Herausarbeitung ihrer Relevanz für verschiedene Anwendungsbereiche.

Woran sind Sie besonders interessiert?

Klärung, was es bedeutet, etwas auf kognitiver Ebene zu vergessen, Axiomatisierung der allgemeinen Eigenschaften

Katharina Beckh
Katharina Beckh

Forschungsschwerpunkt:

Menschenorientiertes ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Modellierung der visuellen Aufmerksamkeit von Anästhesisten mit Schwerpunkt auf dem Parameter Anstrengung
  2. Aktives Lernen mit Experten-Input steuern
  3. Ermittlung von schlechter medizinischer Berichterstattung mithilfe von Text Mining Tools

Woran sind Sie besonders interessiert?

Interaktives ML: Das Zusammenspiel von Mensch und maschinellem Lernalgorithmus zu verbessern und dafür passende Schnittstellen und Modelle zu entwerfen.

David Biesner

Forschungsschwerpunkt:

Menschenorientiertes ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Interpretierbares NLP: Anpassung von Word-Embedding- und Topic-Modeling-Modellen zur besseren menschlichen Lesbarkeit.
  2. Deep-Learning basierte Modelle für themenspezifische NLP-Aufgaben, hauptsächlich Textklassifizierung und automatische Texterstellung.

Woran sind Sie besonders interessiert?

Mein Hauptfokus liegt auf natürlicher Sprachverarbeitung (NLP). Ich interessiere mich für moderne Deep-Learning-Architekturen, deren Fähigkeit zum allgemeinen Sprachverständnis und Wissenstransfer, und die Möglichkeiten sie mit menschlichem Wissen zu ergänzen.

Ewald Bindereif

Forschungsschwerpunkt:

Hybrides ML, Natural Language Processing

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Anpassung von Textrepräsentationen für kausale Inferenz
  2. Verwendung von kausalen Strukturen für robustere Modelle

Woran sind Sie besonders interessiert?

Die Schnittstelle zwischen kausaler Inferenz und Natural Language Processing, um zum Beispiel kausale Effekte in Texten aufzudecken und auszunutzen.

Daniel Boiar

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Aufbau einer Wissensbasis über multivariate Zeitreihenalgorithmen
  2. Ausreißererkennung mit Support Vector Machines

Woran sind Sie besonders interessiert?

Herleiten von neuen und verlässlichen Zeitreihenalgorithmen, um die Analyse von heterogenen Sensorzeitreihen im industriellen Kontext zu optimieren

Eduardo Alfredo Brito Chacón

Forschungsschwerpunkt:

Hybrides ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Erklärbaren semantischen Textähnlichkeitsfunktionen für verschiedene Information-Retrieval-Anwendungsfälle, z.B. zur Kategorisierung von Einzelhandelsprodukten und zur Erkennung von Fake News.
  2. Einbindung von Expertenwissen in NLP-Modelle, konkret um relevante Passagen in juristischen Dokumenten zu identifizieren.

Woran sind Sie besonders interessiert?

Entwicklung von Informed-Machine-Learning-Modellen, die bis zu einem gewissen Grad erklärbar und ressourcenbewusst sind und gleichzeitig kompetitiv bleiben im Vergleich mit den entsprechenden leistungsstärksten Deep-Learning-Modellen.

Kostadin Cvejoski
Kostadin Cvejovski

Awards:

Syngenta 2019 Crop Challenge

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Verbesserung der Recommendersysteme durch Nutzung der Text- und der zeitlichen Komponente der User-Item-Interaktion
  2. Verwendung von tiefen neuronalen Netzen zur Modellierung von Warteschlangensystemen

Woran sind Sie besonders interessiert?

Entwicklung von Methoden, die die zeitlichen und textlichen Informationen einbeziehen, um zu modellieren, wie sich die Überprüfungsdaten von Gegenständen (Produkte, Unternehmen, …) im Laufe der Zeit ändern.

Keerthana Dakshinamoorthy

Forschungsschwerpunkt:

ML-Anwendungen in der Logistik

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Anwendung von ML-Techniken in Quadcoptern für die Logistikbranche
  2. Erkennung menschlicher Aktivitäten

Tobias Deußer

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Entwicklung von NLP Modellen um die Beziehungen zwischen Fließtext und zugehörigen Tabellen zu verstehen und daraus geeignete numerische Representation zu erstellen.
  2. Generierung von Fließtext mit Hilfe von Deep Learning Modellen.

Woran sind Sie besonders interessiert?

Wege zu finden um moderne NLP Modelle mit Expertenwissen zu kombinieren um so den Ressourcen Bedarf ebenjener Modelle zu minimieren.

Dr. Tiansi Dong

Awards:

Best Paper Award auf der ICANN 2019

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. eine Bestandsaufnahme neuerer Arbeiten zum Thema ‚Vision und Sprache‘
  2. Reproduktion von Experimenten in einigen der Arbeiten
  3. regionale Wissensgraphen-Schlussfolgerung

Woran sind Sie besonders interessiert?

Ich interessiere mich für die Vereinheitlichung symbolischer Strukturen und für das Deep Learning und seine Anwendungen im Bereich des Verstehens natürlicher Sprache, des Wissensgraphen-Schlussfolgerns und der visuell-sprachlichen Interaktion.

Raphael Fischer
Raphael Fischer

Forschungsschwerpunkt:

Menschenorientiertes ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

Anwendung von probabilistischem ML auf raum-zeitliche Daten, wie z.B. Bildzeitreihen, unter Verwendung von generativem ML, um Lücken in unvollständigen Datensätzen, wie z.B. bewölkten Satellitenbilddaten, zu füllen

Woran sind Sie besonders interessiert?

Zu untersuchen, wie probabilistische ML zum Verständnis unserer Welt beitragen kann, während Wissen und Wahrnehmung in andere Forschungsbereiche und sogar in die Gesellschaft im Allgemeinen übertragen werden.

Sven Giesselbach
Sven Giesselbach

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Wissenstransfer von Domänen mit Trainingsdaten auf Domänen ohne Trainingsdaten durch unseren Algorithmus Corresponding Projections
  2. Einbindung von strukturiertem Wissen in Textrepräsentationen wie Word2Vec oder BERT

Woran sind Sie besonders interessiert?

Ich glaube, dass die Annahme, dass Computer natürliche Sprache einfach durch das „Lesen“ unzähliger Texte verstehen können, fundamental falsch ist. Ich möchte Mechanismen erforschen, welche externes Wissen in Methoden des natürlichen Sprachverstehens einbinden.

Felix Gonsior

Forschungsschwerpunkt:

Menschenorientiertes ML, Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Interpretation von Optimierungsproblemen, welche im Rahmen des Trainings von ML-Modellen entstehen, als probabilistische Modelle. Auf diese Art erhät man zusätzlich die Möglichkeit, viele alternative Lösungsmöglichkeiten auszuwerten und zu vergleichen.
  2. Inferenz durch Sampling aus kategorischen Verteilungen/PGMs mit Qualitätsgarantien für eine gegebene Samplegröße

Woran sind Sie besonders interessiert?

Das Verstehen der Funktion von Unsicherheit in ML-Training und -Inferenz und den Effekt der Unsicherheit auf die Generalisierungsfähigkeit von ML-Modellen.

Michael Gref

Forschungsschwerpunkt:

Hybrides ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Robuste Spracherkennung für Domänen mit wenigen Trainingsdaten
  2. Multimodale Emotionserkennung

Woran sind Sie besonders interessiert?

Entwicklung robuster Verfahren zur automatischen Erschließung und Suche in audiovisuellen Datenbeständen – mit praktischer Anwendung in industriellen Kontexten oder an der Schnittstelle zu anderen Forschungsgebieten, wie Geistes- oder Geschichtswissenschaften. Insbesondere habe ich ein besonderes Interesse an Verfahren der Sprachverarbeitung.

Vishwani Gupta
Lukas Heppe

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Verteilte Modellaggregrationsmethoden unter Minimierung der Kommunikationskosten
  2. Modulare Parameteraggregation in Markov Random Fields
  3. Beschleunigung der exakten Inferenz in Markov Random Fields durch parallele und verteilte Programmiertechniken

Woran sind Sie besonders interessiert?

Entwicklung kommunikationseffizienter verteilter Lernalgorithmen, die die Verbreitung von Methoden des Maschinellen Lernens an eine große Anzahl von Geräten ermöglichen, welche wiederum gemeinsam voneinander profitieren können.

Lars Patrick Hillebrand

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Entwicklung von Methoden der Matrixfaktorisierung für das gleichzeitige Lernen von Wort Embeddings sowie der Extraktion von Themen und deren Beziehungen zueinander
  2. Entwicklung einer Metrik, die Computer generierte Textzusammenfassungen automatisch nach menschlichen Kriterien evaluiert

Woran sind Sie besonders interessiert?

Kombinierung von strukturiertem Wissen und statistischem Lernen, um mathematische Textrepresentation und Textextraktion (z.B. Themenextraktion, automatische Zusammenfassung) zu verbessern.

Philipp-Jan Honysz

Forschungsschwerpunkt:

Menschenorientiertes ML, Industrielle Anwendung des maschinellen Lernens

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Detektion von Ausreißern in industriellen Fertigungsprozessen mit Fokus auf Reduktion von Ausschussware und Energiebedarf
  2. Produktionsunterstützung durch Erklärung prognostizierter Resultate

Woran sind Sie besonders interessiert?

Definition adäquater ML-Pipelines für die Verarbeitung hochvoluminöser Prozessdaten.

Realzeitliche Bereitstellung von Vorhersagen unterstützt durch moderne Hardware.

Matthias Jakobs

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Theoretische und praktische Garantien von Erklärbarkeitsmodellen mittels Shapleywerten erarbeiten
  2. Kombinieren von Erklärbarkeitsmodellen mit Bayesianischen Neuronalen Netzen (BNN)

Woran sind Sie besonders interessiert?

Den Entscheidungsprozess von black-box Modellen verständlich machen, Benutzern und Experten Vertrauen und Sicherheit in die Entscheidungen von Neuronalen Netzen geben

Birgit Kirsch
Birgit Kirsch

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Kalt-Start Befüllung von Wissensdatenbanken durch Einbindung von Vorwissen (Ontologien, domänenspezifische Bedingungen, … )
  2. Bereinigung von Trainingsdatensätzen für die Extraktion von Relationen in Text durch Verfahren des statistischen Relationalen Lernens

Woran sind Sie besonders interessiert?

Gemeinsames Lernen von Neuronalen Netzen und logikbasierten Systemen

Helena Kotthaus
Dr. Helena Kotthaus
Jens Leveling

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Ressourcenbeschränktes Lernen in Logistik-Anwendungsfällen
  2. Industrieller Transfer von ML2R-Ergebnissen Schwerpunkt auf logistische Anwendungsfälle

Woran sind Sie besonders interessiert?

  • Maschinelles Lernen auf Internet-der-Dinge-Geräten: Maschinelle Lernverfahren zur Klassifizierung, Erkennung und Nachverfolgung von Objekten in logistischen Anwendungsfällen
  • Fragen des Industrietransfers: Integration und Erstellen von Trainingsdaten, Überführung der Ergebnisse des maschinellen Lernens in Geschäftsprozesse
Sascha Mücke

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, Quantum-ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Implementierung und kontinuierliche Verbesserung eines FPGA-basierten Hardware-Lösers für Ising-Modelle
  2. Untersuchung von Anwendungen von MAP-Lösern, insbesondere zur Analyse probabilistischer Modelle

Woran sind Sie besonders interessiert?

Probabilistische grafische Modelle; quantenbasierte Optimierung und ihre möglichen Anwendungen für Maschinelles Lernen

Sebastian Müller

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Ein nutzerzentriertes, quantifizierendes Qualitätsmaß für Erklärungen.
  2. Wortsinn Disambiguation mit einem hybriden Modell.

Woran sind Sie besonders interessiert?

Die Erweiterung von ML Modellen mit einer Kombination aus abstrakten Denkmustern und komplexem Wissen um ein interpretierbares Modell zu erhalten, welches flexible, situationsabhängige Erklärungen geben kann.

Maximilian Otten

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Einsatz von ML-basierter Bildverarbeitung in Industrie- und Forschungsprojekten 
  2. Suche nach Anwendungsfällen in der Industrie, deren Problemstellung unter Anwendung von State-of-the-Art Machine Learning gestützten Algorithmen der Bildverarbeitung gelöst werden können
  3. Erlauben, dass diese Algorithmen in Ressourcen beschränkten Umgebungen eingesetzt werden können

Woran sind Sie besonders interessiert?

Mein Fokus liegt auf der Anwendung von Deep-Learning-basierten Object-Detection-Algorithmen mit dem Ziel, Problemstellungen in der Logistik zu lösen. Beispiele hierfür sind die Detektion von Objekten in einem Warenhaus zur Transparenzerhöhung der ablaufenden Prozesse und die Nutzung von Object-Detection als Trigger-Event zur Auslösung eines Notstopps im Fall eines Mensch-Maschinen-Konfliktes.

Andreas Pauly

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, Theorie des modularen ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Transfer von ML Methoden aus der Forschung in die Industrie
  2. Regularisierung von Deep Learning Methoden, um den Ressourcenbedarf des Trainings zu senken

Woran sind Sie besonders interessiert?

Ich interessiere mich für die Weiterentwicklung von Methoden des Maschinellen Lernens, die einen geringen Ressourcenbedarf haben und so einen kostengünstigen Transfer in die Industrie ermöglichen.

Dr. Nico Piatkowski
Maren Pielka

Forschungsschwerpunkt:

Hybrides ML

An welchen Problemstellungen arbeiten Sie zurzeit?

Mein Forschungsschwerpunkt ist Natural Language Processing, speziell Natural Language Inference, Sentiment Analysis und Recommendersysteme. Im Moment arbeite ich daran, ein System zu bauen, das Widersprüche in deutschen Texten findet.

Woran sind Sie besonders interessiert?

Ich bin daran interessiert, Algorithmen natürliche Sprache und Kommunikation beizubringen, insbesondere herausfordernde rhetorische Stilmittel wie Ironie und Sarkasmus sowie Widersprüche.

Christian Pionzewski

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung, Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Einsatz von ML-basierter Bildverarbeitung in Industrie- und Forschungsprojekten
  2. Erschaffen moderner und vertrauenswürdiger Softwarearchitekturen für ML-basierte Systeme 

Woran sind Sie besonders interessiert?

  1. Lösen von industriellen Herausforderungen mit Hilfe von ML-basierter Bildverarbeitung
  2. Die Inferenz von ML-Modellen visualisieren, um nachvollziehen zu können, was sie gelernt haben und warum sie bestimmte Vorhersagen treffen
Dr. Ramses Sanchez
Till Hendrik Schulz

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Klassifizierung von Graphen unter Verwendung des Tree Edit Distanzmaßes auf lokalen Baumstrukturen
  2. Rechnerisch machbare Abbildungsfunktionen zwischen Graphen unter Verwendung von eingeschränkten Homomorphismen

Woran sind Sie besonders interessiert?

ML auf Graphen mit besonderem Fokus auf Wissensentdeckung in Netzwerken und Graphmengen mit beweisbaren theoretischen Garantien

Max Schwarz

Awards:

Top-Platzierungen in verschiedenen internationalen Robotik-Wettbewerben: RoboCup@Home, Amazon Robotics Challenges, DARPA Robotics Challenge, Mohammed Bin Zayed International Robotics Challenges.

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Echtzeitwahrnehmung von Objekten in Manipulationsszenen
  2. Lernen der Objektwahrnehmung aus sehr wenigen Beispielen

Woran sind Sie besonders interessiert?

Deep-Learning-Ansätze, die den besonderen Anforderungen in der Robotik gerecht werden: Lernen von wenigen Beispielen, Effizienz und Robustheit.

Florian Seiffarth

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Anreicherung abstrakter Verschlusssysteme durch zusätzliche Informationen, wie z.B. Abstände, mit dem Ziel einer effizienten Klassifizierung, z.B. Erreichen maximaler Trennungen in Verschlusssystemen, die auf monotonen Verknüpfungsfunktionen basieren
  2. Neuronale Netzwerkschichten mit Gewichtungsteilung auf der Grundlage datenabhängiger Regeln (Expertenwissen), Anwendungen zur Graphen- und Knotenklassifizierung und Lernen über „komplexe“ Datenstrukturen

Woran sind Sie besonders interessiert?

Mathematisches Verständnis von ML mit Anwendungen auf abstrakte Verschlusssysteme (z.B. geschlossene häufige Itemsets, Konzeptgitter, …) und Lernen an Graphen (z.B. Graphen-Neuronale Netze, die auf datenabhängigen Regeln basieren)

Patrick Seifner

Forschungsschwerpunkt:

Hybrides ML

An welchen Problemstellungen arbeiten Sie zurzeit?

Approximation von Markov-Sprungprozessen mit neuronalen Netzwerken

Woran sind Sie besonders interessiert?

Modellierung von zeitabhängigen Prozessen, z.B. Schätzen von vergangenen oder zukünftigen Zuständen eines Prozesses

Eike Stadtländer

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Lernen von Hüllensystemen, beispielsweise aus transaktionalen Daten zur Anwendung in Frequent Itemset Mining
  2. Konvexitätsbedingungen in Graphen für simultanes Clustering

Woran sind Sie besonders interessiert?

Die Lücke zwischen Theorie und praktischen Algorithmen zu überbrücken, um die Interpretierbarkeit von Lernsystemen zu verbessern.

Hanxiao Tan

Forschungsschwerpunkt:

Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

Bereitstellung von modellagnostischen Erklärungsmethoden auf 3D-Punktwolkendaten für besser verständliche Visualisierungen von 3D-Neuronalen Netzen

Woran sind Sie besonders interessiert?

Genauere, effizientere und intuitivere lokale/globale Erklärungsansätze für Tiefe Neuronale 3D-Netze

Vanessa Toborek

Forschungsschwerpunkt:

Vertrauenswürdiges ML, Hybrides ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Strukturierte Lernalgorithmen für Natural Language Processing
  2. Einsatz von vorhandenem Wissen für die Erklärbarkeit von ML-Algorithmen

Woran sind Sie besonders interessiert?

Die Frage nach der Verbesserung eines Deep Learning Modells hinsichtlich seiner Performance und Erklärbarkeit, ohne sich dabei jeweils ausschließlich auf die Rechenleistung und nachträgliche Erklärungen zu verlassen.

Dr.-Ing. Oliver Urbann

Awards:

Verschiedene Auszeichnungen im Roboterfußball, unter anderem Weltmeistertitel beim RoboCup

Forschungsschwerpunkt:

ML unter Ressourcenbeschränkung

An welchen Problemstellungen arbeiten Sie zurzeit?

Compiler für Modelle des Maschinellen Lernens

Woran sind Sie besonders interessiert?

Software Engineering und Maschinelles Lernen mit Fokus auf Hardware, beispielsweise SIMD Vektorisierung, Caching, Speicherlimitierungen usw.

Laura von Rueden

Forschungsschwerpunkt:

ML mit komplexem Wissen, Vertrauenswürdiges ML

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Informed Machine Learning: Taxonomie und Survey über die Integration von Vorwissen in maschinelle Lernsysteme
  2. Straßenkarten-basierte Validierung von semantischen Segmentierungen im autonomen Fahren

Woran sind Sie besonders interessiert?

Die Kombination von Daten-basiertem Maschinellen Lernen mit Wissens-basierter Modellierung (Hybride KI)

Dorina Weichert

Forschungsschwerpunkt:

Hybrides ML, ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Robuste Bayessche Optimierung
  2. Anwendung von MCTS für die Optimierung von Produktionsprozessen

Woran sind Sie besonders interessiert?

Die Anwendung von ML-gestützten Optimierungsverfahren auf reale Herausforderungen.

Dr. Pascal Welke

Forschungsschwerpunkt:

ML mit komplexem Wissen

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Effiziente Suche von häufigen Teilgraphen
  2. Kernmethoden für Graphen
  3. Analyse von ML-Modellen
Olga Zatsarynna

Awards:

Preis der Bonner Informatik Gesellschaft, 2021

Forschungsschwerpunkt:

Video Understanding

An welchen Problemstellungen arbeiten Sie zurzeit?

  1. Antizipation menschlicher Handlungen in Videos
  2. Unüberwachtes Lernen von Repräsentationen für Video Understanding

Woran sind Sie besonders interessiert?

Ich verwende Deep-Learning-Methoden, um die Erkennung und Vorhersage menschlicher Handlungen in Videodaten zu verbessern.