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

Interpore 2026

In May, the 18th Interpore Conference took place in Nantes, France. Prof. Dr. Nadja Ray (Chair of Geomatics and Geomathematics at MIDS) attended on behalf of KU. In addition to participating in the conference, Prof. Ray also organized a mini-symposium and two poster presentations. The steering committee of the German chapter also met, and there were many opportunities for professional exchange. 

(MS07) Mathematical and numerical methods for multi-scale multi-physics, nonlinear coupled processes

Lead Organizer: Nadja Ray - Katholische Universität Eichstätt-Ingolstadt (KU), Germany

  • Tuanny Cajuhi - Federal Institute for Geosciences and Natural Resources (BGR), Germany
    • Mostafa Mollaali - Helmholtz Center for Environmental Research (UFZ), Germany
    • Keita Yoshioka -  Technical University of Leoben, Austria
    • Advanced mathematical models and analyses of nonlinear coupled equations, sharp interface as well as phase field formulations
    • Multiscale and model order reduction techniques (e.g., homogenization, upscaling)
    • Novel discretization schemes and solvers to improve accuracy and computational efficiency
    • Robust nonlinear and linear solution strategies
    • Integration of experimental data and application of AI and machine learning tools
    • Marcio Murad - National Laboratory for Scientific Computation (LNCC), Brazil
      Discontinuous Galerkin Method for Flow in Enlarged Fractured Carbonates
    • Son-Young Yi - The University of Texas at El Paso, USA
      Physics-preserving enriched Galerkin method for a fully-coupled thermo-poroelasticity model

 Processes in porous media — including flow, transport, deformation, and reactions — are central to applications in energy, environment, and advanced materials. Experiments and field observations are often costly or infeasible, making mathematical modeling and simulation essential.

Challenges arise from strong heterogeneity, multiscale and multiphysics interactions, or phase transitions. This minisymposium invites contributions on:

The minisymposium aims to foster exchange on methodologies and applications for porous media in the geosciences at both laboratory and field scales, as well as on bridging across scales.

Solicited Speaker:

  • Marcio Murad - National Laboratory for Scientific Computation (LNCC), Brazil
    Discontinuous Galerkin Method for Flow in Enlarged Fractured Carbonates
    • Son-Young Yi - The University of Texas at El Paso, USA
      Physics-preserving enriched Galerkin method for a fully-coupled thermo-poroelasticity model

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.