Themen

Innerhalb des Deep Learnings forscht das Team um Prof. Dr. Asja Fischer vor allem im Bereich der Analyse und Entwicklung von probabilistischen Methoden und Modellen. Dabei liegt ein Fokus auf der die Methoden untermauernden Theorie. Trotz des immensen Erfolgs von Deep Learning Algorithmen in vielen Anwendungsgebieten ist über ihre theoretischen Eigenschaften relativ wenig bekannt. Ein besseres Verständnis der mathematischen Eigenschaften ist jedoch von enormer Wichtigkeit, um diese Algorithmen robuster, verlässlicher, interpretierbarer und sicherer zu machen. Die Arbeitsgruppe forscht aber auch an der Anwendung neuronaler Netze auf spannende praktische Fragestellungen und in interdisziplinären Projekten.

Folgende Schwerpunkte wurden in der bisherigen Forschung gesetzt:

  • Entwicklung und Analyse generativer Modelle und MCMC-basierter Lernmethoden
  • Analyse der Optimierungsmethoden neuronaler Netze
  • Methoden zur Unsicherheitsabschätzung für die Vorhersagen neuronaler Netze
  • Biologisch-plausibles Deep Learning
  • Methoden zur Wissensgraphananalyse und Deep Learning für Question Answering über Wissensgraphen
  • Machine Learning für IT-Security und sicheres maschinelles Lernen