Probabilistic Machine Learning

Prof. Dr. Vincent Fortuin

Deep Learning erzielt beeindruckende Ergebnisse, kann aber übermäßig selbstsicher sein und benötigt meist große Trainingsdatensätze. Besonders in vielen wissenschaftlichen Anwendungen sind Daten jedoch knapp, während umfangreiches Vorwissen vorhanden ist. Hier können Erkenntnisse aus der Bayesianischen Statistik helfen, um Modelle robuster und daten-effizienter zu machen.

Wir sehen das Ziel des maschinellen Lernens nicht allein in besseren Vorhersagen, sondern in besseren Entscheidungen. Dafür sind Unsicherheitsabschätzung und probabilistische Ansätze zentral. Zentrale Forschungsfragen sind dabei

wie sich Priors (vorheriges Wissen) in tiefen Modellen spezifizieren lassen,
wie man ungelabelte Daten nutzt, um Repräsentationen zu lernen,
wie Wissen mithilfe von Meta-Lernen zwischen Aufgaben übertragen wird und
wie Generalisierungsleistung mithilfe von PAC-Bayesian-Schranken garantiert werden kann.

Die Mission unserer Forschungsgruppe ist es, Bayesianisches Deep Learning zu einer tragfähigen Standardlösung für wissenschaftliche Lernaufgaben zu machen. Dazu verbinden wir Grundlagenforschung zu Priors und Inferenz mit angewandter Forschung, um Methoden praxisnäher zu gestalten. In enger Zusammenarbeit mit Wissenschaftlerinnen und Wissenschaftlern verankern wir unsere Ansätze in realen Problemen.

Unsere Arbeit basiert auf drei Werten: Bayesianisches Denken hilft dabei, eigene Überzeugungen anhand neuer Evidenz zu hinterfragen. Neugier motiviert, um Forschungsfragen wirklich zu durchdringen. Hoffnung, dass unsere Arbeit langfristig zu besseren wissenschaftlichen Entscheidungen beiträgt.