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

Dr. Hidde Schönberger erhält Preis der Sparkasse Ingolstadt Eichstätt für die beste Dissertation

Im Rahmen des Dies Acacemicus erhielt Dr. Hidde Schönberger den Preis für die beste Dissertation für seine Arbeit mit dem Titel “Nonlocal gradients within variational models: Existence theories and asymptotic analysis”. Die Dissertation, die unter der Betreuung von Prof. Dr. Carolin Kreisbeck am Lehrstuhl für Mathematik - Analysis verfasst wurde, besteht aus 6 Forschungsartikeln und wurde zuvor mit dem renommierten Klaus-Körper-Preis der Gesellschaft für Angewandte Mathematik und Mechanik (GAMM) ausgezeichnet.

 

In seiner Dissertation untersucht Dr. Schönberger mathematische Modelle mit nichtlokalen Gradienten - ein hochaktuelles Thema in der Variationsrechnung, das insbesondere für die Modellierung von Materialverhalten relevant ist. Im Gegensatz zu den klassischen Modellen in der Literatur, die auf lokalen Größen wie der Ableitung basieren, erlauben die nichtlokalen Analoga das Auftreten von Unstetigkeiten, was für die Untersuchung des Bruchverhaltens von Materialien von Bedeutung ist. Seine Arbeit zeigt, dass Lösungen für diese nichtlokalen Variationsprobleme existieren, und identifiziert ihre Abhängigkeit von entscheidenden Parametern im Modell. Da diese Lösungen nicht explizit berechnet werden können, ist der Nachweis ihrer Existenz nicht nur aus theoretischer Sicht wichtig, sondern auch aus angewandter Sicht, wo sie mit dem Computer approximiert werden müssen. Außerdem zeigt die asymptotische Analyse insbesondere, dass die nichtlokalen Modelle mit ihren lokalen Gegenstücken, die bereits seit vielen Jahrzehnten verwendet werden, konsistent sind. Die in dieser Arbeit entwickelten Konzepte stellen einen wichtigen Beitrag zum Verständnis und zur Weiterentwicklung der nichtlokalen Variationsprinzipien dar. Ein entscheidendes Werkzeug, das eingeführt wird, ermöglicht es, die Analyse der schwierigeren nichtlokalen Gradienten auf ihre einfacheren lokalen Versionen zu reduzieren. Dies bietet eine Methodik, die zur Lösung vieler anderer Probleme, die zur Lösung vieler anderer nichtlokaler Probleme beitragen kann.

 

Dr. Hidde Schönberger hat seinen Bachelor- und Masterabschluss in Mathematik an der Universität Utrecht gemacht und anschließend an der KU promoviert. Während seiner Promotion präsentierte er seine Arbeit auf verschiedenen Konferenzen und absolvierte einen Forschungsaufenthalt an der Universidad Autónoma de Madrid in Spanien. Seit September 2024 ist er Postdoc am Institut für Analysis und Scientific Computing der TU Wien, wo er seine Forschung zu nichtlokalen Problemen in der Variationsrechnung fortsetzt.

 

Wir gratulieren Herrn Dr. Schönberger von Herzen zu dieser wohlverdienten Auszeichnung und wünschen ihm weiterhin viel Erfolg für seine weitere Laufbahn!

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.