Burkholz

Deep Learning hat in zahlreichen Bereichen, vom Computerbild über die Verarbeitung natürlicher Sprache bis hin zur Proteinfaltung, große Durchbrüche erzielt und wird die Standards für die Modellierung in allen Disziplinen weiter verändern. Es ist jedoch mit einem hohen Rechenaufwand verbunden, erfordert große Datenmengen, reagiert empfindlich auf die Einstellung der Hyperparameter und ist anfällig für Angriffe von außen. Das Hauptziel der Forschungsgruppe für relationales maschinelles Lernen besteht darin, diese Mängel zu beheben, indem Modelle und Algorithmen entwickelt werden, die robust gegenüber Rauschen sind, sich an eine sich verändernde Umgebung anpassen und Informationen integrieren, die sowohl in Form kleiner Datenmengen als auch in Form von verschiedenen Formen von Domänenwissen verfügbar sein können. Dadurch ist unser Ansatz besonders gut für den biomedizinischen Bereich geeignet. Aus methodischer Sicht arbeiten wir an der Schnittstelle zwischen maschinellem Lernen und komplexer Netzwerkwissenschaft. Indem wir tiefe neuronale Netze als Kaskadenprozesse interpretieren, gewinnen wir theoretische Einsichten in die Berechnungsprinzipien, die dem Deep Learning zugrunde liegen, und setzen sie in die Praxis um, indem wir aktuelle tiefe Lernalgorithmen und allgemeinere probabilistische Modelle verbessern.