MIDS Logo

Herzlich Willkommen auf der Seite des Lehrstuhls für Reliable Machine Learning

Machine Learning Laptop
© colourbox.de

Der Lehrstuhl "Reliable Machine Learning" erforscht die Eigenschaften von Machine Learning Algorithmen. Angesichts des Erfolgs von Deep Learning Methoden in Anwendungen wie Bilderkennung, Spracherkennung und automatischer Übersetzung sind vor allem die Eigenschaften von Neuronalen Netzen von Interesse.

Auch wenn ein trainiertes neuronales Netz z.B. bei der Bilderkennung auf realen Daten sehr gute Ergebnisse liefert, wurde empirisch wiederholt eine Anfälligkeit für sogenannte "adversarial examples" festgestellt: Eine minimale (für den Menschen nicht wahrnehmbare) Änderung der Eingabedaten kann das neuronale Netz dazu bringen, eine falsche Ausgabe zu liefern.

Ein wichtiges Forschungsthema des Lehrstuhls ist deshalb, die Gründe für die Existenz solcher adversarial examples (also für die Instabilität von trainierten neuronalen Netzen) mathematisch zu verstehen, um aufbauend auf diesem Verständnis Methoden zu entwickeln, die beweisbar robuste neuronale Netze produzieren.

Die Forschung des Lehrstuhls wird auch im Rahmen des Emmy Noether Projekts "Stability and Solvability in Deep Learning" gefördert.

Forschungsthemen des Lehrstuhls für Reliable Machine Learning

Über uns

Prof. Voigtlaender stellt sich und den Lehrstuhl vor

Vorschaubild Felix Voigtlaender

Bitte beachten Sie: Durch Klicken auf die Bildfläche geben Sie Ihre Einwilligung, dass Videoinhalte von YouTube nachgeladen, Cookies von YouTube/Google auf Ihrem IT-System gespeichert und personenbezogene Daten wie Ihre IP-Adresse an Google weitergegeben werden. Klicken Sie nach Beendigung des Videoinhaltes auf ein anderes Video, öffnet sich in einem neuen Tab Ihres Browsers YouTube und erfasst weitere Daten von Ihnen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen und unter Google Privacy .

Neuigkeiten aus der Mathematik

Erfolgreiche Promotion von Dr. Daniel Müllerklein

Wir freuen uns über die erfolgreiche Disputation von Daniel Müllerklein.

Unter der Betreuung von Prof. Pirmin Fontaine leistete Daniel einen bedeutenden Beitrag im Bereich des resilienten Supply Chain Managements. Er entwickelte innovative, datengetriebene Lösungsansätze für strategische, taktische und operative Entscheidungen. Dabei setzte er fortgeschrittene kombinatorische Optimierungsverfahren wie z. B. Benders Dekomposition, neue Machine-Learning-Algorithmen sowie Heuristiken ein. Anhand von praxisnahen Daten konnte er die Anwendbarkeit seines methodischen Frameworks eindrucksvoll aufzeigen. Daniel setzt seine Karriere nun im familiengeführten Borne Firmengruppe als Geschäftsführer fort. Wir wünschen ihm für seine berufliche Zukunft alles Gute – und stets eine resiliente Supply Chain im Unternehmen.

Seine Dissertation führte zu vier wissenschaftlichen Artikeln. Einer davon ist bereits im European Journal of Operational Research (VHB: A) veröffentlicht. Zwei weitere befinden sich derzeit im Begutachtungsprozess in zwei führenden Fachzeitschriften (beide VHB: A).

  • Müllerklein, D., & Fontaine, P. (2025). Resilient transportation network design with disruption uncertainty and lead times. European Journal of Operational Research, 322(3), 827-840.
  • Müllerklein, D., Fontaine, P., & Ortmann, J. (2025). A Cost Focused Machine Learning framework for replenishment decisions under transportation cost uncertainty. Working Paper.
  • Müllerklein, D., & Fontaine, P., 2025. On product characteristics in a two-echelon resilient network design. Working Paper.
  • Müllerklein, D., 2025. A seven-step supply chain resilience framework for mitigating waterborne disruptions in transportation network design. Working Paper.

Mathematisches Institut für Maschinelles Lernen und Data Science

MIDS Logo

Der Lehrstuhl für Reliable Machine Learning ist Teil des Mathematischen Instituts für Maschinelles Lernen und Data Science, kurz MIDS.
Finden Sie alle Informationen rund um das MIDS hier.