Lampert Group
Maschinelles Lernen und Computer Vision
Die Lampert Gruppe erforscht, wie Methoden der künstlichen Intelligenz vertrauenswürdiger gemacht werden können. Sie untersucht Fragen wie: Können wir verstehen, was moderne maschinelle Lernsysteme tun, aber auch, warum? Können wir Garantien für ihr Verhalten geben? Können wir Systeme bauen, die lernen und eines Tages intelligent werden könnten, ohne dass wir auf unsere Rechte auf Datenschutz und Privatsphäre verzichten müssen?
Computer werden immer leistungsfähiger bei der Datenverarbeitung und haben gelernt, viele Aufgaben zu bewältigen, die man ihnen bisher nicht zugetraut hat, wie z. B. erfolgreiche Finanzinvestitionen, die Diagnose von Krebs anhand medizinischer Bilder und sogar das Fahren von Autos im Straßenverkehr. Warum verlassen wir uns dann nicht auf sie als Finanzberater, Onkologen und Chauffeure? Wahrscheinlich, weil wir Computern nicht genug vertrauen, um sie wichtige Systeme autonom und außerhalb unserer Kontrolle betreiben zu lassen. Neben der theoretischen Forschung wendet die Gruppe ihre Ergebnisse auf Anwendungen in der Computervision an, wie z. B. das Bildverständnis, bei dem das Ziel darin besteht, automatische Systeme zu entwickeln, die den Inhalt natürlicher Bilder analysieren können.
Team
Laufende Projekte
Vertrauenswürdiges Machine Learning | Transfer und lebenslanges Lernen | Deep Learning-Theorie
Publikationen
Súkeník P, Lampert C. 2024. Generalization in multi-objective machine learning. Neural Computing and Applications. View
Kalinin N, Lampert C. 2024. Banded square root matrix factorization for differentially private model training. 38th Annual Conference on Neural Information Processing Systems. NeurIPS: Neural Information Processing Systems, NeurIPS, vol. 38. View
Súkeník P, Lampert C, Mondelli M. 2024. Neural collapse vs. low-rank bias: Is deep neural collapse really optimal? 38th Annual Conference on Neural Information Processing Systems. NeurIPS: Neural Information Processing Systems, NeurIPS, vol. 38. View
Zakerinia H, Behjati A, Lampert C. 2024. More flexible PAC-Bayesian meta-learning by learning learning algorithms. Proceedings of the 41st International Conference on Machine Learning. ICML: International Conference on Machine Learning, PMLR, vol. 235, 58122–58139. View
Scott JA, Cahill Á. 2024. Improved modelling of federated datasets using mixtures-of-Dirichlet-multinomials. Proceedings of the 41st International Conference on Machine Learning. ICML: International Conference on Machine Learning, PMLR, vol. 235, 44012–44037. View
ReX-Link: Christoph Lampert
Karriere
Seit 2015 Professor, Institute of Science and Technology Austria (ISTA)
2010 – 2015 Assistant Professor, Institute of Science and Technology Austria (ISTA)
2007 – 2010 Senior Research Scientist, Max Planck Institute for Biological Cybernetics, Tübingen, Deutschland
2004 – 2007 Senior Researcher, German Research Center for Artificial Intelligence, Kaiserslautern, Deutschland
2003 PhD, University of Bonn, Deutschland
Ausgewählte Auszeichnungen
Seit 2015 Associate Editor in Chief of the IEEE Transactions on Pattern Analysis and Machine Intelligence (T-PAMI)
2012 ERC Starting Grant (consolidator phase)
2008 Best Paper Award, IEEE Conference for Computer Vision and Pattern Recognition (CVPR)
2008 Best Student Paper Award, European Conference for Computer Vision (ECCV)
2008 Main Prize, German Society for Pattern Recognition (DAGM)