Herzlich Willkommen auf der Seite des Lehrstuhls für Reliable Machine Learning

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.