Bereichsbild

 

Dummy

 

Fakultät für Mathematik und Informatik

Interdisziplinäres Zentrum für Wissenschaftliches Rechnen

Ruprecht-Karls-Universität Heidelberg
 

Kontakt:


 

Prof. Dr. Ullrich Köthe

Fellow-Klasse 2021-22

 

Forschungsgebiete:

Methodik des tiefen maschinellen Lernens, invertierbare neuronale Netze, interpretierbares maschinelles Lernen in Theorie und Praxis, Anwendungen neuronaler Netze als Werkzeug für die natur- und lebenswissenschaftliche Forschung, Bereitstellung neuer Lernalgorithmen als open-source Software

 

Lebenslauf

  • 2020 – present Faculty member of ELLIS Unit Heidelberg

  • 2018 – present Adjunct Professor for Computer Science, Heidelberg University

  • 2018 – present Staff member of cluster of excellence STRUCTURES, Heidelberg University

  • 2018 – present Principal investigator of Informatics4Life, Heidelberg University

  • 2017 – present Head of Explainable Machine Learning Research Group

  • Co-Head of Visual Learning Lab, Heidelberg University

  • 2007 – 2017 Vice Head of Image Analysis and Learning Lab, Heidelberg University

  • 2008 Habilitation in Computer Science, Hamburg University

  • 2000 – 2007 Assistant Professor, Cognitive Systems Lab, Hamburg University

  • 2000 PhD (Dr. rer. nat.) in Computer Science, Hamburg University

  • 1999 – 2000 PhD Student, Cognitive Systems Lab, Hamburg University

  • 1992 – 1999 Research Scientist, Fraunhofer Institute for Computer Graphics, Rostock

  • 1986 – 1991 Diploma in Physics, Rostock University



Arbeitsvorhaben

Mensch und Automat: Die Rolle von Zufall und Determinismus

Das Projekt beleuchtet das Verhältnis von Mensch und Automat aus drei Blickwinkeln und verbindet hiermit aktuelle gesellschaftspolitische und technische Problemstellungen zu Künstlicher Intelligenz mit ihrer historischen Perspektivierung. Für die Informatik und den Bereich des maschinellen Lernens liegt der Fokus auf der Bedeutung und den Auswirkungen von Zufall und Determinismus in Entscheidungsprozessen von Automaten. Das Problem der Akzeptanz im Verhältnis zur Nützlichkeit und die ethischen Anforderungen an Automaten stehen im Zentrum des Projekts der Psychologie. Die Kunstgeschichte untersucht im methodischen Kontext der Bild-Text-Forschung, welche Formen historische Automaten angenommen haben und welche Bilder für literarisch imaginierte, fiktive Automaten gefunden wurden. Die unterschiedlichen Ansätze werden in gemeinsamen Fragestellungen zusammengeführt, die den Ausgangspunkt der Arbeit bilden: Ausgehend von dem Problem der Terminologie sollen historische und gegenwärtige visuelle Umsetzungen von Automatenkonzepten und damit verbunden die Wahrnehmung und Wirkung von Automaten untersucht werden. Darauf aufbauend werden die Rolle des Zufalls, Wege der Entscheidungsfindung und der Stellenwert, der dem Verständnis von Funktionsweisen zukommt, in vergleichender Perspektive betrachtet. Ziel ist es, unter diesen spezifischen Fragestellungen das Phänomen des Automaten als künstlichem Gegenüber des Menschen disziplinenübergreifend zu erfassen.

 

Ausgewählte Publikationen:

  • Ardizzone, L, Kruse, J, Wirkert, S, Rahner, D, Pellegrini, E W, Klessen, R S, Maier-Hein, L, Rother, C, and Köthe, U: "Analyzing inverse problems with invertible neural networks", In: Intl. Conf. on Learning Representations (ICLR), 2019

  • Radev, S, Mertens, U, Voss, A, Ardizzone, L, Köthe, U: "BayesFlow: Learning complex stochastic models with invertible neural networks", IEEE Trans. Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2020.3042395, 2020

  • Mackowiak, R, Ardizzone, L, Rother, C, Köthe, U: "Generative Classifiers as a Basis for Trustwor-thy Computer Vision", In: Intl. Conf. on Computer Vision and Pattern Recognition, 2021

  • Sorrenson P, Rother C, Köthe U: "Disentanglement by Nonlinear ICA with General Incompressible-flow Networks (GIN)", In: Intl. Conf. on Learning Representations (ICLR), 2020

  • Ardizzone, L, Mackowiak, R, Rother, C, Köthe, U: "Training Normalizing Flows with the Information Bottleneck for Competitive Generative Classification", In: NeurIPS 33, 2020Berg, S, Kutra, D, Kroeger, T, Straehle, C N, Kausler, B X, Haubold, C, Schiegg, M, Ales, J, Beier, T, Rudy, M, Eren, K, Cervantes, J, Xu, B, Beuttenmueller, F, Wolny, A, Zhang, C, Koethe, U, Ham-precht, F A, and Kreshuk A: "ilastik: interactive machine learning for (bio) image analysis", Nature Methods, doi:10.1038/s41592-019-0582-9, 2019

  • Bellagente, M, Butter, A, Kasieczka, G, Plehn, T, Rousselot, A, Winterhalder, R, ... Köthe, U: "In-vertible networks or partons to detector and back again", SciPost Phys. 9, 074, 2020

  • Wolf, S, Pape, C, Bailoni, A, Rahaman, N, Kreshuk, A, Köthe, U, and Hamprecht, F A: "The mutex watershed: efficient, parameter-free image partitioning", In: Proceedings of the European Confer-ence on Computer Vision (ECCV), pp. 546-562, 2018

  • Menze, B, Kelm, B H, Splitthoff, N, Köthe, U and Hamprecht, F A: "On oblique random forests", Mach. Learning and Knowledge Discovery in Databases, Springer LNCS 6912, pp. 453-469, 2011

  • Köthe, U: "Edge and Junction Detection with an Improved Structure Tensor", in: B. Michaelis, G. Krell (Eds.): Proc. of 25th DAGM Symposium, Springer LNCS 2781, pp. 25-32, 2003

Seitenbearbeiter: Geschäftsstelle
Letzte Änderung: 30.09.2021
zum Seitenanfang/up