Veranstaltungen des Clusters

Hier finden Sie Informationen zu allen unseren aktuellen Cluster-Veranstaltungen im Überblick.

Alle zurückliegenden Cluster-Veranstaltungen finden Sie untenstehend im ARCHIV.

Healthy Minds in Academia – April bis Juli 2024

Healthy Minds in Academia

Die Vortrags- und Workshop-Reihe Healthy Minds bietet interaktive Sitzungen und Vorträge, in denen Tools und Wissen vorgestellt werden, um gemeinsam zu lernen, wie wir uns besser um unsere psychische Gesundheit in der akademischen Welt und darüber hinaus kümmern können. Die Veranstaltung wird in den kommenden Monaten regelmäßig stattfinden und wird vom Exzellenzcluster und dem AI Center finanziert.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

TBA.

 Mittwoch, 24. Juli 2024 um 13.30 Uhr

Veranstaltungsort: AI Research Building, Lecture Hall, Maria-von-Linden-Straße 6, Tübingen und Zoom

Veranstalter: Imke Lode 

Imke Lode is a certified trainer for intercultural competences, see https://lindengruen.de/dr-imke-lode/.

Mehr Informationen hier.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Philosophy of Science Meets Machine Learning (PhilML2024), 11. - 13. September 2024

Philosophy of Science Meets Machine Learning (PhilML2024)

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

11. - 13. September 2024

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6, Tübingen

Veranstalter: Raysa Benatti, Timo Freiesleben, Konstantin Genin, Thomas Grote, Sebastian Zezulka

Registrierung: Eine Registrierung ist erforderlich. Weitere Infos dazu folgen.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

 Weitere Informationen folgen.

Cluster Kolloquium "Maschinelles Lernen"

Seminarreihe des Exzellenzclusters "Maschinelles Lernen"

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwochs  | 14:00 - 15:00  | mit anschliessendem Get Together

Hörsaal, AI Research Building, Maria von Linden-Str. 6 (Erdgeschoss), 72076 Tübingen

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

PROGRAMM

Mehr Informationen folgen in Kürze!


Veranstaltungs-Archiv

Hier finden Sie alle vergangenen Cluster-Veranstaltungen im Überblick.

Cluster Kolloquium "Maschinelles Lernen" - 1. Mittwoch im Monat

 
Seminarreihe des Exzellenzclusters "Maschinelles Lernen"

-------------------------
Mittwoch, 14:00 - 15:00
, mit anschliessendem Get Together

Hörsaal, AI Research Building, Maria von Linden-Str. 6 (Erdgeschoss), 72076 Tübingen
-------------------------

PROGRAMM

 

 

 

6. Jahres-Konferenz "Machine Learning in Science", 9. + 10. Juli 2024

6. Exzellenzcluster Konferenz
"Machine Learning in Science" 2024

-------------------------------------------------------------------------------------------------------------------------------------------------------
► Dienstag, 9. Juli

► Mittwoch, 10. Juli 
------------------------------------------------------------------------------------------------------------------------------------------------------

Tagungsort: Neckawa (Freistil), Wöhrdstraße 25, 72072 Tübingen

Bitte beachten Sie: Die Registrierung ist geschlossen, es ist keine Anmeldung mehr möglich.

------------------------------------------------------------------------------------------------------------------------------------------------------

PROGRAMM

Alle Zeiten sind in MESZ, Mitteleuropäische Sommerzeit, angegeben.

Programm [PDF]

Dienstag, 9. Juli 2024

09:00

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Eröffnung

09:15    

Tobias Hauser
(Universitätsklinikum Tübingen, Computational Psychiatry, Universität Tübingen)

► Using Computational Models to Understand Neural Mechanisms Underlying Mental Disorders

10:00  

Kerstin Ritter
(Hertie Institute for AI in Brain Health, Universität Tübingen)

Machine Learning in Clinical Brain Research

10:45

Kaffeepause

11:15

Aseem Behl
(Fachbereich Wirtschaftswissenschaft, Universität Tübingen)

► Machine Learning Applications in Marketing Science

11:45

Çağatay Yildiz
(Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Lifelong Learning and Language Models

12:15

Thomas Küstner
(Universitätsklinikum Tübingen, Medical Image and Data Analysis, Universität Tübingen)

► Machine Learning in Clinical Workflows of Medical Imaging

13:00

Mittagspause
14:15

Jakob Macke
(Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Mechanistic Models of Neural Computations

14:45

Alina Wernick
(Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► AI, Law and Society - in Search of Blind Spots of AI Regulation

15:45 Gruppenfoto
16:00

Poster Session - Cluster Projekte & AIMS Fellows

Übersicht Poster Session [PDF]

► Kaffee

19:00 Konferenzdinner


***************************************************************************************************************************************

Mittwoch, 10. Juli 2024

09:00

Moritz Hardt
(Max Planck Institute for Intelligent Systems, Tübingen)

The Emerging Science of Benchmarks

09:45

Katharina Eggensperger
(Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

Automated Machine Learning for Science

10:15

Markus Ahlers
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Ethics and Evidence

10:45

Kaffeepause

11:15

Keynote: Stefanie Jegelka

(Department of Computer Science, Technische Universität München)

Strengthening Graph Neural Networks, with Applications to Mass Spectrometry

12:15

Stephan Eckstein
(Fachbereich Mathematik, Universität Tübingen)

Quantifying Differences Between Probabilistic Causal Models

13:00

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

Closing Remarks

13:15 Mittagspause
14:15 - 15:30 Generalversammlung (nur Cluster-Mitglieder und deren AGs)

 

Healthy Minds in Academia – April bis Juli 2024

Healthy Minds in Academia

Die Vortrags- und Workshop-Reihe Healthy Minds bietet interaktive Sitzungen und Vorträge, in denen Tools und Wissen vorgestellt werden, um gemeinsam zu lernen, wie wir uns besser um unsere psychische Gesundheit in der akademischen Welt und darüber hinaus kümmern können. Die Veranstaltung wird in den kommenden Monaten regelmäßig stattfinden und wird vom Exzellenzcluster und dem AI Center finanziert.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

How can I boost my mental health? A resource oriented approach. 

 Mittwoch, 27. März 2024 um 13:30 Uhr

Veranstaltungsort: Zoom

Sprecherin: Suzanne Jones

This workshop offers you the chance to reflect on your inner and outer resources. You will find suggestions on how to re-load your personal battery and strengthen your mental health through positive emotions and an optimistic focus.

Suzanne Jones is a psychologist and systemic therapist and a counsellor for health promotion and stress prevention: http://www.suzanne-jones.de

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Stress management skills - Increasing mental health and well-being.

 Mittwoch, 24. April 2024 um 12.30 Uhr

Veranstaltungsort: AI Research Building, Lecture Hall, Maria-von-Linden-Straße 6, Tübingen und Zoom

Sprecherin: Fanny Kählke

The workshop provides an overview of strategies to promote positive mental health under stressful work conditions. You will learn about different (instrumental, regenerative, and mental) ways to cope with stress and reflect on your own coping strategies and future needs.

Mehr Informationen hier.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Study psychologically fit.

 Mittwoch, 29. Mai 2024 um 13.30 Uhr

Veranstaltungsort: Zoom

Veranstalter: Beate Schulze and Hendrik Hutthoff

In the two hours of the workshop, students can expect an authentic, intensive forum in which psychological crises can be discussed. In the last half hour, students can ask any questions they have about the topic.

Mehr Informationen hier.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Decolonizing Academia - How (not) to Fail a Decolonial Lecture Series

 Mittwoch, 26. Juni 2024 um 13.30 Uhr

Veranstaltungsort: AI Research Building, Lecture Hall, Maria-von-Linden-Straße 6, Tübingen und Zoom

Veranstalter: Sharon Nathan

Mehr Informationen hier.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Symposium "Machine Learning in Science", 13. Mai 2024

Symposium "Machine Learning in Science"

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

 Montag, 13. Mai 2024 von 12.30 - 17.30 Uhr

Veranstaltungsort: AI Research Building, Maria von Linden Str. 6, 72076 Tübingen (Lecture Hall, Ground Floor)

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Programm [PDF]

12:30

Covering Multiple Scales: Graph Machine Learning for Science
Prof. Dr. Stephan Günnemann
(Technical University of Munich, Germany)

13:30

Using DNA Language Models to Understand Different Layers of Code in Genomes
Dr. Anna Poetsch
(TUD Dresden University of Technology, Germany)

14:30

Coffee Break

15:00

On How to Incorporate Spacetime Symmetries into Your Neural Networks
Dr. Patrick Forré
(University of Amsterdam, The Netherlands)

16:00

Towards an Artificial Muse for New Ideas in Science
Dr. Mario Krenn
(Max Planck Institute for the Science Light, Erlangen, Germany)

17:00

Coffee Break

17:30

Reinforcement Learning Theory towards Robust Discovery in Science
Dr. Claire Vernade
(University of Tübingen, Germany)

 

Healthy Minds in Academia – Kick-off Veranstaltung, 26. März 2024

Healthy Minds in Academia

Kick-off Veranstaltung

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

 Dienstag, 26. März 2024 um 15 Uhr

Veranstaltungsort: AI Research Building, Lecture Hall, Maria-von-Linden-Straße 6, Tübingen

Veranstalter: Nina Effenberger, Janne Lappalainen

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Die Vortrags- und Workshop-Reihe Healthy Minds bietet interaktive Sitzungen und Vorträge, in denen Tools und Wissen vorgestellt werden, um gemeinsam zu lernen, wie wir uns besser um unsere psychische Gesundheit in der akademischen Welt und darüber hinaus kümmern können. Die Veranstaltung wird in den kommenden Monaten regelmäßig stattfinden und wird vom Exzellenzcluster und dem AI Center finanziert.

In der Kick-Off-Veranstaltung werden zwei Promovierende ihre Umfrage zur psychischen Gesundheit von Promotionsstudierenden an der Universität Tübingen vorstellen. Darüber hinaus stellen sich die Ansprechpersonen der psychologischen Betreuung des Tübingen AI Center und der psychosozialen Beratung der Universität vor. Wir stellen die Ziele unserer Gesprächsreihe vor und schließen mit einem Ausblick auf die nächsten Veranstaltungen, bevor wir zu Snacks und Getränken einladen. 

Die Veranstaltung richtet sich an Mitarbeiterinnen und Mitarbeiter der Universität Tübingen und des MPIs - darunter PIs, Postdocs, Promovierende und Mitarbeiterinnen und Mitarbeiter der Verwaltung.

Women in Machine Learning Workshop, 8. März 2024

Machine Learning from Theory to Application

Workshop for International Women's Day

 

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

 Freitag, 8. März 2024 | 9 - 13.30 Uhr

Veranstaltungsort: AI Research Building, Lecture Hall, Maria-von-Linden-Straße 6, Tübingen

Organisatorinnen: Tübingen Women in ML (TWiML)

Registrierung: Wir bitten alle Teilnehmer um eine Anmeldung.

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

 

Programm 
09:00 Arrival and Welcome
09:00 - 09:05

Introduction

Claire Vernade, Cluster of Excellence

09:05 - 09:45 Caterina De Bacco, MPI-IS
Probabilistic generative models for hypergraphs: structure and inference
09:45 - 10:15 Albane Ruaud, Cluster of Excellence
Modelling Bacterial Communities with Graph Neural Networks
10:15 - 10:50 Coffee Break
10:50 - 11:30 Ulrike von Luxburg, Cluster of Excellence
Theoretical guarantees for explainable machine learning
11:30 - 12:00 Ana-Andreea Stoica, MPI-IS
Algorithm design for social good: fair design and strategic interactions
12:00 - 13:00 Lunch
13:00 - 13:30 Panel discussion: Ask me anything!

 

Workshop on Bandits and Statistical Tests, 23. - 24. November 2023

Workshop on Bandits and Statistical Tests

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Donnerstag, 23. November & Freitag, 24. November 2023

Veranstaltungsort: Neues Palais, Am Neuen Palais 10, 14469 Potsdam

Organisatoren: Claire Vernade (Cluster Machine Learning, Tübingen) und Alexandra Carpentie (Maths Department, Universität Potsdam)

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

We are pleased to invite you to our upcoming Workshop on Statistical Tests in Machine Learning, with a specific emphasis on Online Learning and Bandit Algorithms. The workshop aims to provide participants with a comprehensive understanding of statistical testing methodologies in the context of machine learning, particularly in the dynamic and ever-changing landscape of online and bandit settings.

This workshop is intended for researchers, practitioners, and students interested in the intersection of machine learning, statistics, and algorithm design.

Registration is closed now.

 

Tutorials:

Keynote speakers: 

For more Information, please check here.

Kunstexponat IN-ML-OUT, 27. Oktober 2023

Präsentation unseres Kunstexponats
IN-ML-OUT – Windenergie und Maschinelles Lernen

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

  Freitag 27. Oktober 2023 um 17:00 Uhr

Veranstaltungsort: swt-KulturWerk (Werkstraße 4, 72074 Tübingen)

Eintritt kostenfrei

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mit maschinellem Lernen kann Windenergie in Zeiten des Klimawandels bestmöglich nutzbar gemacht werden. Wie das geht, verraten Nina Effenberger und Nicole Ludwig, die im Exzellenzcluster zu nachhaltigen Energien forschen, am 27. Oktober 2023 um 17 Uhr im Tübinger swt-KulturWerk: Mithilfe des interaktiven Kunstexponats „IN-ML-OUT“ wollen sie den Dialog zwischen Forschung, Gesellschaft und Politik vorantreiben und dabei das Potential von maschinellem Lernen aufzeigen. Das Exponat macht erfahrbar, dass unser Handeln das Klima beeinflusst, welche Lösungsansätze Forschende mit Hilfe von Maschinellem Lernen unterstützen können und welche Initiativen und Projekte zu erneuerbaren Energien es bereits gibt.

Im Anschluss an die Präsentation des Exponats gibt es eine Diskussion zur Frage "Wie kann KI die Energiewende unterstützen?". Nicole Ludwig wird daran ebenso teilnehmen wie Peter Seimer (Sprecher für Digitalisierung, Grüne im Landtag von Baden-Württemberg) und Philipp Staudt (Digitalisierte Energiesysteme, Universität Oldenburg). Moderiert wird die Diskussion von Olaf Kramer (Forschungszentrum für Wissenschaftskommunikation, Universität Tübingen).

Mehr Informationen

AITE Abschlusskonferenz, 24. - 26. Oktober 2023

"Artificial Intelligence, Trustworthiness and Explainability"
  Abschlusskonferenz

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

  Dienstag 24. bis Donnerstag 26. Oktober 2023

Veranstaltungsort: Max-Planck-Institut für Intelligente Systeme (Hörsaal, Ergeschoss), Max-Planck-Ring 4, 72076 Tübingen

Konferenz-Organisatoren: Saeedeh Babaii, Sara Blanco, Oliver Buchholz, Eric Raidl

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Das Projekt „Artificial Intelligence, Trustworthiness and Explainability (AITE)“, gefördert von der Baden-Württemberg Stiftung, ist ein Gemeinschaftsprojekt des "Ethics and Philosophy Labs" unseres Clusters und dem "Internationalen Zentrum für Ethik in den Wissenschaften" (IZEW) der Universität Tübingen.

Gegenwärtig ist nicht klar, warum maschinelle Lernsysteme (ML) so entscheiden oder antworten, wie sie es tun. Wenn ein Bildklassifikator sagt: "Das ist ein Zug", erkennt er dann den Zug oder nur die Schienen oder etwas ganz anderes? Wie können wir sicher sein, dass er aus den richtigen Gründen so entscheidet? Dieses Problem steht im Mittelpunkt von mindestens zwei Debatten: Können wir künstlichen intelligenten Systemen (KI) vertrauen? Und wenn ja, auf welcher Grundlage? Würde eine Erklärung der Entscheidung zu unserem Verständnis beitragen und letztlich das Vertrauen fördern? Und wenn ja, welche Art von Erklärung? Dies sind die zentralen Fragen, mit denen sich das AITE-Projekt beschäftigt.

Auf der AITE-Abschlusskonferenz stellen die Wissenschaftlerinnen und Wissenschaftler des AITE-Projekts ihre Arbeit vor, tauschen sich mit Experten auf diesem Gebiet und anderen interessierten Forschenden aus und diskutieren in einer Podiumsdiskussion mit der Öffentlichkeit.

Mehr Informationen auf der Konferenz-Webseite

Podiumsdiskussion „Wer kontrolliert KI?“, 20. Oktober 2023

Podiumsdiskussion
„Wer kontrolliert KI?"

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

  Freitag 20. Oktober 2023 um 20:00 Uhr

Veranstaltungsort: Uhlandsaal der Museumsgesellschaft, Wilhelmstr. 3, Tübingen

Eintritt kostenfrei

------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Am Freitag, 20. Oktober, um 20 Uhr, veranstalten das Stadtmuseum Tübingen und unsere Universität eine Podiumsdiskussion zur Frage "Wer reguliert KI?".
Die vier PodiumsteilnehmerInnen sind alle Mitglieder unseres Clusters: Carsten Eickhoff, Michèle Finck, Moritz Hardt und Ulrike von Luxburg. Moderiert wird die Podiukmsdiskussion vom SWR.

Mehr Informationen
 

Philosophy of Science Meets Machine Learning (PhilML2023), 12. - 14. September 2023

Philosophy of Science Meets Machine Learning (PhilML2023)

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

12. - 14. September 2023

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6, Tübingen

Veranstalter: Timo Freiesleben, Konstantin Genin, Thomas Grote, Sebastian Zezulka

Registrierung: Wir bitten alle Teilnehmer und Referenten um eine Anmeldung bis zum 31.07.2023.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Machine learning methods have become a mainstay in the tool-kit of various scientific disciplines. PhilML’23 offers an opportunity to explore whether and how exactly recent developments in the field of machine learning potentially transform the process of scientific inquiry. For this purpose, it sets out to analyse the field of machine learning through the lens of philosophy of science, including cognate fields such as epistemology and ethics. In addition, we are also interested in contributions from machine learning researchers/scientists, addressing foundational issues of their research. Similar to the previous workshops, we try to bring together philosophers from different backgrounds (from formal epistemology to the study of the social dimensions of science) and machine learning researchers.

The workshop`s central topics are:
(i) A critical reflection on key-concepts, such as ‘learning’, ‘causal inference’, ‘robustness’, ‘explanation’ or ‘understanding’.
(ii) The implications of machine learning for the special sciences, e.g. cognitive science, biology, social science or medicine.
(iii) The ethics of machine learning-driven science, e.g. the moral responsibilities of researchers, ethical issues in model evaluation, or issues at the intersection of science and policy.
(iv) Social aspects of machine learning-driven science, e.g. the impact of funding structures on research.
 

|  Programm  |
 

Dienstag, 12. September

09:15 - 09:30 Arrival & Registration
09:45 - 10:00 Welcome
10:00 - 10:45

Deep Learning Robustness for Scientific Discovery: The Case of Anomaly Detection

Florian Boge (TU Dortmund)

11:00 - 11:45

Generalizing Philosophy of Science to Unseen Instances

Mel Andrews (CMU/Cincinnati)

11:45 - 13:00 Lunch
13:00 - 13:45

Recommender Systems and Inferred Preferences: Accurate or Rational?

Silvia Milano (Uni Exeter)

14:00 - 14:45

Trustworthiness and Knowledge from Machine Learning

Jonathan Vandenburg (Stanford)

14:45 - 15:30 Coffee Break
15:30 - 16:15

Effect or Treatment Heterogeneity? Policy Evaluation with Aggregated and Disaggregated Treatments

Michael Knaus (Uni Tübingen)

16:30 - 17:15

Prediction, Explanation, and AI in Scientific Practice

Marta Halina (Uni Cambridge)

19:00 Dinner


Mittwoch, 13. September

09:00 - 09:15 Welcome
09:15 - 10:00

Manipulative Explanations in AI

Atoosa Kasirzadeh (Uni Edinburgh)

10:15 - 11:00

The Epistemology of Statistical Learning

Tom Sterkenburg (LMU)

11:15 - 12:00

Conceptual Engagement in Machine Learning: Operationalism in Social Science Applications

Alex Mussgnug (Uni Edinburgh)

12:15 - 13:00 Lunch
13:00 - 13:45

What Counts as Good Data?

Kino Zhao (Simon Fraser University)

14:00 - 14:45

The Language of Mathematics: Epistemological Consequences of the Application of Neural Models to Mathematical Knowledge

Juan Luis Gastaldi (ETH)

14:45 - 15:30 Coffee Break
15:30 - 16:15

Lifelong Statistical Testing

Claire Vernade (Uni Tübingen)

16:30 - 17:15

Using Machine Learning to Increase Equity in Healthcare and Public Health

Emma Pierson (Cornell)

19:00 Dinner


Donnerstag, 14. September

09:00 - 09:15 Welcome
09:15 - 10:00

Why do large language models align with human brains?

Mariya Toneva (MPI Saarbrücken)

10:15 - 11:00

Why is Homogenization Bad?

Katie Creel (Northeastern)

11:15 - 12:00

The Function of Replicability in Machine Learning

Tianqui Kou (Penn State)

12:15 - 13:00 Lunch
13:00 - 13:45

Interpersonal Comparisons of Utility: A Conventional Take

Daniel Alexander Herrmann (UC Irvine)

14:00 - 14:45

Representational Similarity Analysis Underdetermines Similarity of Object Recognition Mechanisms in Deep Neural Networks and the Brain

Bojana Grujičić (MPSCog, HU, UCL)

15:00 - 15:45

Learning an Index of Economic Complexity

Frederik Eberhardt (Caltech)

15:45 - 16:00 Closing remarks, followed by drinks

   Weitere Informationen auf der Veranstaltungs-Webseite.

 

5. Jahres-Konferenz "Machine Learning in Science", 11. + 12. Juli 2023

5. Exzellenzcluster Konferenz
"Machine Learning in Science" 2023

-------------------------------------------------------------------------------------------------------------------------------------------------------
► Dienstag, 11. Juli | 09:00 - 19:00 |

► Mittwoch, 12. Juli | 09:00 - 17:00 |
------------------------------------------------------------------------------------------------------------------------------------------------------

Tagungsort: Freistil, Wöhrdstraße 25, 72072 Tübingen

Für alle, die nicht persönlich an der Konferenz teilnehmen können, die Vortäge werden übertragen auf
Zoom (Kenncode: 145437)

Bitte beachten: 1. Anmeldung nur mit vollem Namen. 2. Es wird nicht möglich sein, über Zoom Fragen zu stellen.

------------------------------------------------------------------------------------------------------------------------------------------------------

PROGRAMM

Alle Zeiten sind in MESZ, Mitteleuropäische Sommerzeit, angegeben.

Programm [PDF]

Dienstag, 11. Juli 2023

09:00

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Eröffnung

09:15    

Tobias Kaufmann
(Universitätsklinikum Tübingen, Psychatrie und Psychotherapie, Universität Tübingen)

► Computational psychiatry: what can we learn from large-scale brain imaging data?

10:00  

Michael Knaus
(Fachbereich Wirtschaftswissenschaft, Universität Tübingen)

Machine learning to predict effects in economics and beyond

10:45

Kaffeepause

11:15

Claire Vernade
(Fachbereich Informatik, Universität Tübingen)

► Lifelong Statistical Testing

12:00

Christian Igel
(Fachbereich Informatik, Universität Kopenhagen)

► KEYNOTE: Machine Learning for Large-Scale Ecosystem Monitoring

13:00

Mittagspause
14:00

Poster Session und Kaffee - Cluster Einzelprojekte, AIMS Fellows  und Arbeitsgruppen

Übersicht Posterbeiträge [PDF]

16:00

Wieland Brendel
(Max Planck Institute für Intelligente Systeme (MPI-IS), Tübingen)

► Machine Vision for Flexible and Robust Autonomous Robots

16:45

Daniela Doneva
(Fachbereich Physik, Universität Tübingen)

► ML as a Tool in Gravitational Wave Physics

17:30

Open Space

► 18:00 Guided Tour AI Makerspace

19:00 Konferenzdinner


***************************************************************************************************************************************

Mittwoch, 12. Juli 2023

09:00

Georg Martius
(Fachbereich Informatik, Universität Tübingen)

Model-based Reinforcement Learning

09:45

Christoph Bareither, Libuše Hannah Vepřek
(Ludwig-Uhland-Institut für Empirische Kulturwissenschaft, Universität Tübingen & LMU München)

Human-ML Assemblages in the Sciences: Approaches from Digital Anthropology & STS

10:30

Nicole Ludwig
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Machine Learning for Sustainability - Bridging the Gap between Theory and Application

11:00

Kaffeepause

11:30

Carsten Eickhoff
(Universitätsklinikum Tübingen, Institut für Angewandte Medizininformatik, Universität Tübingen

Health Natural Language Processing

12:15

Albane Ruaud
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Modeling bacterial communities' dynamics with GNN

13:00

Mittagspause

14:00

Poster Session und Kaffee - Cluster Verbundprojekte
Machine Learning in Education
Modeling and Understanding Spatiotemporal Environmental Interactions
Probalistic Inference in Mechanistic Models
Compositionality in Minds and Machines
Uncovering the inner structure of medical images through generative modeling
Übersicht Posterbeiträge [PDF]

16:45

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

Closing Remarks

Vortrag Dale Durran - 28. Juni 2023


| Weather forecasting and climate simulation:
What are the challenges for AI and numerical weather prediction |

Dale Durran

Professor of Atmospheric Sciences
University of Washington, Seattle, USA

WANN:   Mittwoch, 28.06.2023 um 14:00, mit anschliessendem Get Together
WO:         Hörsaal, AI Research Building, Maria von Linden-Str. 6 (Erdgeschoss), 72076 Tübingen
HOSTS:   Martin Butz und Matthias Karlbauer
 

Vortrag Srinivas Turaga - 21. Juni 2023


| How to simulate a connectome? |
 
Srinivas Turaga

HHMI Janelia, USA

WANN:  Dienstag, 21. Juni, 15 - 16 Uhr
WO:        Hörsaal, AI Research Building, Maria von Linden-Str. 6, 72076 Tübingen
HOST:     Jakob Macke

ABSTRACT
We can now measure the connectivity of every neuron in a neural circuit, but we are still blind to other biological details, including the dynamical characteristics of each neuron. The degree to which connectivity measurements alone can inform understanding of neural computation is an open question. We show that with only measurements of the connectivity of a biological neural network, we can predict the neural activity underlying neural computation. Our mechanistic model makes detailed experimentally testable predictions for each neuron in the connectome. We found that model predictions agreed with experimental measurements of neural activity across 24 studies. Our work demonstrates a strategy for generating detailed hypotheses about the mechanisms of neural circuit function from connectivity measurements.

Paper: https://www.biorxiv.org/content/10.1101/2023.03.11.532232

Vortrag Laura Filion - 14. Juni 2023


| Machine learning in soft matter |

Laura Filion

Physics Department, Soft Condensed Matter Group, Universiteit Utrecht

WANN:   Mittwoch, 14.06.2023 um 14:15
WO:         N3, Hörsaalzentrum Morgenstelle, Universität Tübingen
HOST:    Martin Oettel

Abstract
Developments in machine learning (ML) have opened the door to fully new methods for studying phase transitions due to their ability to extremely efficiently identify complex patterns in systems of many particles. Applications of machine learning techniques vary from the use of developing new ML-based methods for detecting complex crystal structures, to locating phase transitions, to speeding up simulations. The rapid emergence of multiple applications of machine learning to statistical mechanics and materials science demonstrates that these techniques are becoming an important tool for studying soft matter systems. In this talk, I will briefly present an overview of the work my group is doing on using machine learning to study soft matter systems with a focus on how machine learning might help us to understand the structure – or lack thereof – in glasses.

Führungen über den Max-Planck-Campus - 14. Juni 2023

Führungen über den Max-Planck-Campus

-------------------------------------------------------------------------------------------------------------------------------------------------------

  14. Juni 2023, 16:30 - 18:00 Uhr

Veranstaltungsort:
Max-Planck-Campus, Tübingen

------------------------------------------------------------------------------------------------------------------------------------------------------

Welche Institutionen und Einrichtungen gehören zum Cyber Valley Ökosystem? An was wird dort geforscht? Die Tour ist Teil des Begleitprogramms der Ausstellung „Cyber and the City – Künstliche Intelligenz bewegt Tübingen“.

In den letzten Jahren entstanden viele neue Gebäude bei der Sternwarte in der Tübinger Nordstadt sowie auf dem Max-Planck-Campus. Welche Institutionen gehören zum Cyber Valley Ökosystem? Cyber Valley Eventmanagerin Tabea Brietzke erklärt in dieser kostenfreien Führung die Zusammenhänge und zeigt, wo an künstlicher Intelligenz (KI) geforscht wird. Die Führung macht Halt an verschiedenen Gebäuden, unter anderem dem Tübinger Max-Planck-Institut für intelligente Systeme. Sie endet am Tübingen AI Center, wo ein KI-Kunstprojekt zu erneuerbaren Energien aus dem Exzellenzcluster „Maschinelles Lernen. Neue Perspektiven für die Wissenschaft“ vorgestellt und ein Einblick in die Arbeit des Tübingen AI Centers gegeben wird.

Das Angebot ist Teil des Begleitprogramms der KI-Ausstellung „Cyber and the City – Künstliche Intelligenz bewegt Tübingen“ im Tübinger Stadtmuseum. Die Führung ist kostenfrei und richtet sich an alle Interessierten, Vorwissen zu KI ist nicht notwendig. Die Tour eignet sich auch für Rollstühle und Kinderwägen. Die Plätze sind auf 15 Personen begrenzt. Eine Anmeldung ist notwendig; der Anmeldelink wird zeitnah auf dieser Seite eingestellt. Die Details zum Treffpunkt bekommen Sie nach der Anmeldung per Mail zugeschickt.

Zur Anmeldung geht es hier.

Vortrag Markus Ahlers - 12. Juni 2023


| The Ethical Significance of Pattern |

Markus Ahlers

Institute for Philosophy, Gottfried Wilhelm Leibniz University Hannover, Germany

WANN:    Montag, 12.06.2023 um 11:00
WO:         Seminarraum Erdgeschoss, Raum 00-10/A12, AI Research Building,
                Maria von Linden-Str. 6, 72076 Tübingen

Eröffnungsevent des Kunstexponats „IN ML OUT“, 15. Mai 2023

Kunstexponat „IN ML OUT“

______________________________________________________________________________________________________________________________________________________________

► Eröffnung am 15. Mai 2023, 18:00

Veranstaltungsort: Staatliche Akademie der Bildenden Künste Stuttgart, Am Weißenhof 1, Neubau 2, 70191 Stuttgart
______________________________________________________________________________________________________________________________________________________________

Maschinelles Lernen birgt ein großes Potential für die zukünftige Versorgung mit erneuerbaren Energien. Um in einen aktiven Dialog mit Bürger*innen und Entscheidungsträger*innen zu treten, ist das Ausstellungsstück „IN-ML-OUT“ entstanden. Dieses ist aus einer Kooperation unserer Forscherinnen Nicole Ludwig und Nina Effenberger mit Designstudierenden der "Staatlichen Akademie der Bildenden Künste" in Stuttgart und dem "Zentrum für rhetorische Wissenschaftskommunikationsforschung zur Künstlichen Intelligenz" (RHET AI) an der Universität Tübingen hervorgegangen.

Weitere Informationen

"Explainability in Machine Learning", 28. - 29. März 2023

Workshop "Explainability in Machine Learning"

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

  Dienstag 28. März und Mittwoch 29. März 2023

Veranstaltungsort: Alte Aula, Münzgasse 30, 72070 Tübingen

Workshop-Organisatoren: Zeynep Akata, Stephan Alaniz, Christian Baumgartner, Almut Sophia Koepke, Massimiliano Mancini, Seong Joon Oh

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Deep Learning hat große Fortschritte beim maschinellen Lernen ermöglicht. Der Einsatz von Deep-Learning-Systemen, die in sicherheitskritischen Bereichen eingesetzt werden oder die Auswirkungen auf die Zivilgesellschaft haben, setzt allerdings voraus, dass ihre Entscheidungen erklärbar sind. Für den Aufbau vertrauenswürdiger und nutzerorientierter maschineller Lernmodelle ist dies von grundlegender Bedeutung. Ziel dieses Workshops ist es, das Bewusstsein für die Erklärbarkeit von maschinellem Lernen zu fördern, da es ein Thema von wachsendem Interesse ist. Darüber hinaus wollen wir, insbesondere im Kontext des maschinellen Sehens, die interdisziplinäre Interaktion und Zusammenarbeit zwischen Forschenden an der Universität Tübingen und an anderen internationalen Institutionen fördern, die an verschiedenen Aspekten der Erklärbarkeit arbeiten.

  Programm: Der Workshop umfasst sowohl Keynotes von bekannten Forschern auf diesem Gebiet als auch eingeladene Vorträge und Spotlight-Präsentationen über die jüngsten Fortschritte auf dem Gebiet der Erklärbarkeit.

► Vorläufiges Programm und weitere Informationen: https://www.eml-unitue.de/eml-workshop

Spring School on Probabilistic Numerics, 27. - 29. März 2023

Spring School on Probabilistic Numerics
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Montag, 27. bis Mittwoch, 29. März 2023

Veranstaltungsort: Audimax, Neue Aula, Geschwister-Scholl-Platz, 72074 Tübingen

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

The first ever Probabilistic Numerics Spring School and Research Workshop consists of two days of (in-person) lectures, keynotes, and tutorial sessions, from the 27th to the 28th of March. It will be held in English, and is aimed at graduate students, researchers, and professionals interested in probabilistic numerical methods.The school features lectures and keynotes by leading experts, and hands-on code tutorials.

The school will be followed by a workshop on the 29th of March, 2023. The workshop offers a stage for advances in the probabilistic computation, by researchers working in the field.

  For more information visit the Workshop webpage.

Focus Session "Physics meets ML" bei der DPG-Frühjahrstagung, 27. März 2023

Frühjahrstagung der Deutschen Physikalischen Gesellschaft (DPG), Sektion Kondensierte Materie
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Montag, 27. März 2023

Veranstaltungsort: Technische Universität Dresden - Campus Südvorstadt, Bergstraße 64, 01069 Dresden

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Vom 26. März bis 31. März 2023 findet auf dem Campus der Technischen Universität Dresden die DPG-Frühjahrstagung der Sektion Kondensierte Materie (SKM) statt.

In diesem Rahmen findet am 27. März 2023 eine Focus Session "Physics meets ML" statt, organisiert von Sabine Andergassen und Moritz Helas, Martin Gärttner und Markus Schmitt. Das dazugehörige Tutorial findet am 26. März 2023 statt.  

PROGRAMM
Machine learning for complex quantum systems

Stefanie Czischek, University of Ottawa
Marcello Dalmonte, ICTP Trieste
Florian Marquardt, MPI & University of Erlangen-Nürnberg*
Christof Weitenberg, University of Hamburg

Understanding machine learning as complex interacting systems
Elena Agliari, Roma “La Sapienza”
Marc Mezard, Bocconi University
Manfred Opper, TU Berlin*
Cengiz Pehlevan, Harvard University
Zohar Ringel, Hebrew University of Jerusalem*

*Tutorial Lecturer

Workshop "Machine Learning MEETS Neurosciences", 15. Februar 2023

Workshop "Machine Learning meets Neurosciences"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 15. Februar 2023 | 13:00 bis 16:00

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6

Organisatoren: Tobias Kaufmann, Jakob Macke

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de).

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
13:00 - 13:30 Arrival, Lunch and Chat
13:30 - 13:40 Introduction
Tobias Kaufmann (Medical Faculty, Computational Psychiatry)
Jakob Macke (Computer Science Department, Machine Learning in Science)
13:40 - 15:00 Research Spotlights I (6 minutes presentation, 4 minutes discussion each)
Peter Dayan (Max Planck Institute for Biological Cybernetics, Department Computational Neuroscience)
Anna Levina (Computer Science Department, Self-organization of neuronal networks)
Felix Wichmann (Computer Science Department, Neural Information Processing)
Dmitry Kobak (Medical Faculty, Data Science for Vision Research)
Charley Wu (Machine Learning Cluster of Excellence)
Thomas Wolfers (Medical Faculty, Mental Health Mapping)
Kathrin Brockmann (Medical Faculty, Neurology)
15:00 - 15:20 Coffee Break
15:20 - 16:00 Discussion: Which strategic topics should we be pursuing?
16:00 -  Snacks and Refreshments

 

Workshop "Machine Learning MEETS Quantitative Social Sciences", 08. Februar 2023

Workshop "Machine Learning meets Linguistics"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 08. Februar 2023 | 08:25 bis 16:00

Veranstaltungsort: AI Research Building, Hörsaal (Erdgeschoss), Maria-von-Linden-Straße 6

Organisatoren: Dominik Papies, Augustin Kelava

Anmeldung: Dies ist ein interner Workshop des Clusters. Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de) bis zum 3. Februar 2023.

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
08:00 - 08:25                    Arrival and Check-in with Coffee
08:25 - 08:30 Welcome
Augustin Kelava (Methods Center), Dominik Papies (Department of Economics)
08:30 - 08:45 Estimating causal effects with double/debiased machine learning - a
method evaluation
Jonathan Fuhr (School of Business and Economics), Dominik Papies, Philipp Berens
08:45 - 09:00 Machine learning meets causal inference: An econometric perspective
Michael Knaus (School of Business and Economics)
09:00 - 09:15 Random forests and double machine learning: Applications and extensions in labour economics
Martin Biewen (School of Business and Economics), Philipp Kugler, Pascal Erhardt
09:15 - 09:30 The use of machine learning techniques in Psychometrics: A necessary
transition for modern data designs
Holger Brandt (Methods Center), Roberto Faleh, Patrick Schmidt, Zachary Roman
09:30 - 09:45 Optimized estimation of nonparametric causal mediation models via
machine learning procedures
Roberto Faleh (Methods Center), Holger Brandt
09:45 - 10:00 Discussion and Wrap-up 1
10:00 - 10:25 Coffee Break
10:25 - 10:40 Generalized Mincer-Zarnowitz regressions
Patrick Schmidt (Methods Center), Holger Brandt
10:40 - 10:55 Efficient estimation and forecasting of heterogeneous latent variable
models for intensive longitudinal data
Augustin Kelava (Methods Center)
10:55 - 11:10 Data-driven performance analysis utilizing machine learning techniques: identifying and improving players’ key performance factors in elite soccer
Oliver Höner (Institute of Sports Science), Gabriel Anzer, Pascal Bauer, Benedikt Hosp, Augustin Kelava, Pascal Kilian, Daniel Leyhr, Florian Schultz
11:10 - 11:25 The Dirichlet-Horseshoe - A new shrinkage prior for both dense and sparse signal detection
Lukas Fischer (Methods Center), Michael Nagel, Tim Pawlowski, Augustin Kelava
11:25 - 11:40 A deep learning model for complex interpretable and identified factor analysis – Evaluation on talent structure of youth soccer players
Pascal Kilian (Methods Center), Daniel Leyhr, Oliver Höner, Augustin Kelava
11:40 - 11:55 Discussion and Wrap-up 2
11:55 - 12:40 Lunch
12:40 - 12:55 Identifying distinct subgroups of suicidal ideations: A pre-registered ecological momentary assessment study in psychiatric patients
Roman Zachary (Methods Center)
12:55 - 13:10 Explaining relationships between academic documents using generative transformer models
Aseem Behl (School of Business and Economics)

13:10 - 13:25

The face of trustworthiness: Can a machine detect valid cues of trustworthy behavior in human faces?
Stefan Mayer (School of Business and Economics), Agnes Bäker, Jan Landwehr, Martin Natter
13:25 - 13:40 Analysing structures of the scientific discourse with NLP tools
Steffen Hillmert (Institute of Sociology)
13:40 - 13:55 Discussion and Wrap-up 3
13:55 - 14:15 Coffee Break
14:15 - 14:30 Sports as a behavioral (economics) lab
Tim Pawlowski (Institute of Sports Science)
14:30 - 14:45 Machine learning methods for large survey data in social sciences: Challenges, solutions, and future directions
Kou Murayama (Hector Research Institute of Education Sciences and Psychology), Rosa Lavelle-Hill
14:45 - 15:00 Machine learning for modelling, assessing and supporting educational processes
Thorsten Bohl (Tübingen School of Education), Xiaobin Chen, Ulrike Cress, Peter Gerjets, Andreas Lachner, Detmar Meurers, Kou Murayama, Ulrich Trautwein
15:00 - 15:15 Quantification of stock risk premia using theory-based/option-implied methods and machine learning approaches, and testing conditional factor asset pricing models with the help of ML-methods Steffen Hillmert
Joachim Grammig (School of Business and Economics), Constantin Hanenberg, Christian Schlag, Jantje Sönksen
15:15 - 15:30 Combining ML and psychometrics is a two-way street – Example for mixed effects in machine learning
Pascal Kilian (Methods Center), Sangbaek Ye, Augustin Kelava
15:30 - 15:45 Discussion and Wrap-up 4
15:45 - 16:00 What follows next
16:00 - Snacks and Refreshments

 

Workshop "Machine Learning MEETS Physics", 01. Februar 2023

Workshop "Machine Learning meets Physics"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 01. Februar 2023 | 13:00 bis 17:00

Veranstaltungsort: Auf der Morgenstelle 10, Building C, Room 7E02

Organisatoren: Martin Oettel, Frank Schreiber

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de).

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
13:00 - 13:15 Arrival and Welcome
13:15 - 13:20 Introduction
Martin Oettel (Department of Physics, University of Tübingen)
13:20 - 14:15

Spotlight Presentations:


Testing Fundamental Physics with Gravitational Waves
Daniela Doneva (Department of Physics, University of Tübingen)


Numerical Simulations of Collisions between Protoplanets
Christoph Schäfer (Department of Physics, University of Tübingen)


ML for Spectral Gaps of AKLT Hamiltonians
Marius Lemm (Department of Mathematics, University of Tübingen)

 

Learning Generators of (open) System Quantum Dynamics
Igor Lesanovsky (Department of Physics, University of Tübingen)

 

Finding Classical Density Functionals and Power Functionals in Analytic Form
Martin Oettel (Department of Physics, University of Tübingen)

 

ML on Scattering Data (X-Rays and Neutrons)
Frank Schreiber (Department of Physics, University of Tübingen)

 

A few observations on where ML is really good at and where it can make a difference. Mostly to spark thoughts.
Georg Martius (Max Planck Institute for Intelligent Systems, Tübingen)

 

Neuromorphic Computing with Strongly Correlated Materials
Stefan Guénon (Department of Physics, University of Tübingen)

 

ML in Quantum Metrology
Daniel Braun (Department of Physics, University of Tübingen)

14:15 - 15:00 Discussion and Coffee Break
15:00 - 15:15 Mechanistic Models and Machine Learning
Jakob Macke (Department of Computer Science, University of Tübingen)
15:15 - 17:00 Discussion about Topics of mutual benefit, Potential "hot" topics, Method development vs. application of methods, etc.
17:00 - Open End

 

Workshop "Machine Learning MEETS Machine Learning“, 01. Februar 2023

Workshop "Machine Learning meets Machine Learning
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 01. Februar 2023 | 11:00 bis 14:00

Veranstaltungsort: AI Research Building, Hörsaal (Erdgeschoss), Maria-von-Linden-Straße 6

Organisatoren: Philipp Hennig, Matthias Hein

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de) bis zum 27. Januar 2023.

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
11:00 - 11:15 Arrival and Welcome
11:15 - 11:30 Pitch I: Mnemosyne — End-to-End Trustworthy Data Analytics
Bob Williamson (Department of Computer Science, University of Tübingen)
11:30 - 11:45 Pitch II: Beyond High Performance and Big Data - New Paradigms for
Scientific Computing
Philipp Hennig (Department of Computer Science, University of Tübingen)
11:45 - 12:00 Pitch III: NLP in Medicine
Carsten Eickhoff (Medical Faculty, University of Tübingen)
12:00 - 12:15 Discussion: Spontaneous Additional Proposals
12:15 - 13:00 Lunch + Strategic Structure Discussion: Which topics are wemissing/not covering well?
13:00 - 13:15 Consolidation, forming groups
13:15 - 14:00 Small Groups write short (0.5 page) summaries, strategic points
14:00 - Snacks and Refreshments

 

Workshop "Machine Learning MEETS Qualitative Social Sciences", 25. Januar 2023

Workshop "Machine Learning meets Qualitative Social Sciences"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 25. Januar 2023 | 09:00 bis 13:30

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6

Organisatoren: Christoph Bareither, Thomas Thiemeyer

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de).

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Panel 1: Human-ML-Relationships in Scientific Practice

09:00 - 09:30 Human-ML-Relationships from the Perspective of Digital Anthropology
Christoph Bareither (Institute of Historical and Cultural Anthropology,
University of Tübingen) 
09:30 - 10:00 Data
Robert C. Williamson (Department of Computer Science, University of Tübingen)
10:00 - 10:30 Improving Teamwork between Humans and ML
Samira Samadi (Max Planck Institute for Intelligent Systems, Tübingen)
10:30 - 11:00 ML in (Scientific) Contexts: Ethical, Societal, and Philosophical Questions
Regina Ammicht Quinn, Jessica Heesen, Wulf Loh (International Center for Ethics
in the Sciences and Humanities (IZEW), University of Tübingen)
11:00 - 11:30 Coffee Break


Panel 2: Machine Learning and Society

11:30 - 12:00 Morals and Methodology
Konstantin Genin (Cluster of Excellence Machine Learning for Science, University of Tübingen)
12:00 - 12:30 The Social Foundations of Computation
Moritz Hardt (Max Planck Institute for Intelligent Systems, Tübingen)
12:30 - 13:00 ML in Tübingen
Ulrike von Luxburg (Department of Computer Science, University of Tübingen)
Thomas Thiemeyer (Institute of Historical and Cultural Anthropology, University of Tübingen)
13:00 - 13:30 General Discussion & Concluding Remarks
13:30 - Lunch organized by the Excellence Cluster ML for Science

Workshop "Machine Learning MEETS Geosciences", 25. Januar 2023

Workshop "Machine Learning meets Geosciences"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 25. Januar 2023 | 14:00 bis 17:00

Veranstaltungsort: AI Research Building, Hörsaal (Erdgeschoss), Maria-von-Linden-Straße 6

Organisatoren: Thomas Scholten, Todd Ehlers

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de) bis 20. Januar 2023.

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
13:30 - 14:00 Arrival and Lunch

Panel 1: Current Research Topics in Geosciences

14:00 - 14:15 Causal Explanations for Model Interpretation in Digital Soil Mapping
Nafiseh Kakhani (Department of Geosciences, University of Tübingen)
14:15 - 14:30 Using ML for Inversion of Mechanistic Forward Models in Geophysics
Reinhard Drews (Department of Geosciences, University of Tübingen)
14:30 - 14:45 ISOCLIM: Exploring Isotopic Constraints on Future Climate Variability
Kira Rehfeld (Department of Geosciences, University of Tübingen)
14:45 - 15:00 Discussion: Additional Statements from Geosciences
15:00 - 15:15 Coffee Break


Panel 2: Current Research Topics in Machine Learning

15:15 - 15:30 Inference with Computational Uncertainty
Philipp Hennig (Department of Computer Science, University of Tübingen)
15:30 - 15:45 Machine Learning in Science
Jakob Macke (Department of Computer Science, University of Tübingen)
15:45 - 16:00 Modeling SpatioTemporal Dynamics
Martin Butz (Department of Computer Science, University of Tübingen)
16:00 - 16:15 Discussion: Additional Statements from ML
16:15 - 17:00 General Discussion & Concluding Remarks
17:00 - Snacks and Refreshments

 

Workshop "Machine Learning MEETS Medicine", 18. Januar 2023

Workshop "Machine Learning meets Medicine"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 18. Januar 2023 | 13:00 bis 16:00

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6

Organisatoren: Manfred Claassen, Sergios Gatidis

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de)

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

12:30 – 13:00                     

Arrival and Lunch

13:00 – 14:30

Impulse Pitches
(6 minutes presentation, 4 minutes discussion each)  
Juliane Walz (Medical Faculty, Peptide-based Immune Therapy)

Josef Leibold (Medical Faculty, Functional Immunogenomics)

Bettina Weigelin (Werner Siemens Imaging Center, Preclinical Imaging of the Immune System)

Michael Bitzer / Pavlos Missios (Medical Faculty, Gastroenterology)

Daniela Thorwarth (Medical Faculty, Biomedical Physics)

Tobias Kaufmann (Medical Faculty, Computational Psychiatry)

Christian Baumgartner (Machine Learning Cluster of Excellence, Machine Learning in Medical Image Analysis)

Carsten Eickhoff (Medical Faculty, Medical Informatics)

14:30 – 16:00

Discussion about Strategic Directions

16:00 –

Snacks and Refreshments

Workshop "Machine Learning MEETS Linguistics", 11. Januar 2023

Workshop "Machine Learning meets Linguistics"
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 11. Januar 2023 | 14:00 bis 18:00

Veranstaltungsort: AI Research Building, Lecture Hall (Ground Floor), Maria-von-Linden-Straße 6

Organisatoren: Michael Franke, Detmar Meurers

Anmeldung: Dies ist ein interner Workshop des Clusters.
Bei Interesse bitten wir um Anmeldung (E-Mail an Sebastian Schwenk sebastian.schwenkspam prevention@uni-tuebingen.de)

Programm [PDF]

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

13:30 – 14:00

Arrival and Lunch

14:00 – 14:10

Workshop Goals: Reiterate Mission Statement  
Michael Franke, Detmar Meurers (Department of Linguistics, University of Tübingen)

14:10 – 14:25

Explainability in Deep Learning through Communication

Zeynep Akaty (Department of Computer Science, University of Tübingen)

14:25 – 14:40

Current Collaborative Projects with ML Involving the Quantitative Linguistics Group

Harald Baayen (Department of Linguistics, University of Tübingen)

14:40 – 14:55

Event-Predictive Language Grounding

Martin Butz (Department of Computer Science, University of Tübingen)

14:55 – 15:10

Probabilistic Pragmatics Meets (Needs?) ML

Michael Franke (Department of Linguistics, University of Tübingen)

15:10 – 15:30

Coffee Break

15:30 – 15:45

Generative Models of Language Change

Gerhard Jäger (Department of Linguistics, University of Tübingen)

15:45 – 16:00

Title to be defined

Hendrik Lensch (Department of Computer Science, University of Tübingen)

 

16:00 – 16:15

Title to be defined

Detmar Meurers (Department of Linguistics, University of Tübingen)

16:15 – 16:30

Using Cognitive Psychology to Understand GPT-3

Eric Schulz (Max Planck Institute for Biological Cybernetics)

16:30 – 17:00

General Discussion & Concluding Remarks

17:00 –

Snacks and Refreshments

Philosophy of Science Meets Machine Learning (PhilML), 20. - 22. Oktober 2022

Philosophy of Science Meets Machine Learning (PhilML)

-------------------------
20. - 22. Oktober 2022

Hörsaal, MPI-IS, Max-Planck-Ring 6, 72076 Tübingen
-------------------------

Mehr Informationen über die Veranstaltung sowie das Programm sind hier zu finden.

4. Jahres-Konferenz "Machine Learning in Science", 12. + 13. Juli 2022

4. Exzellenzcluster Konferenz
"Machine Learning in Science" 2022
 

► Dienstag 12. Juli | 9:00 - 18:00 |

► Mittwoch 13. Juli | 9:00 - 17:00 |

------------------------------------------------------------------------------------------------------------------------------------------------------

Tagungsort: Westspitze, Eisenbahnstraße 1, 72072 Tübingen


Für alle, die nicht persönlich an der Konferenz teilnehmen können, die Präsentationen werden übertragen auf
Zoom

------------------------------------------------------------------------------------------------------------------------------------------------------

PROGRAMM

Alle Zeiten sind in MESZ, Mitteleuropäische Sommerzeit, angegeben.

Programm [PDF]

 

Dienstag, 12. Juli 2022

09:00

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Eröffnung

09:15    

Gerard Pons-Moll
(Fachbereich Informatik, Universität Tübingen)

Virtual Humans - From Appearance to Behaviour

10:00  

Kira Rehfeld
(Fachbereich Geowissenschaften, Universität Tübingen)

Understanding Past, Present and Future Climate Evolution: Between Facts, Physics and Fiction

10:45

Kaffeepause

11:15

Setareh Maghsudi
(Fachbereich Informatik, Universität Tübingen)

► Linear Combinatorial Semi-Bandit with Causally Related Rewards

12:00

Flora Jay
(The Interdisciplinary Computer Science Laboratory, Paris-Saclay University)

► KEYNOTE: Digging Historical Diversity Patterns out of Large-Scale Genomic Data using Exchangeable and Generative Neural Networks
Vortrag online

13:00

Mittagspause
14:15

Michèle Finck
(Juristische Fakultät, Universität Tübingen)

► The EU's Legislative Agenda on AI

15:00

Frank Schreiber
(Fachbereich Chemie, Universität Tübingen)

► Machine Learning Applied to Scattering

15:45

Celestine Mendler-Dünner
(Max Planck Institute für Intelligente Systeme (MPI-IS), Tübingen)

► Social Dynamics in Learning and Decision-Making

16:30

Poster Session und Kaffee

Übersicht Posterbeiträge [PDF]

 

19:00 Konferenzdinner im "Freistil" (Anmeldung erforderlich)


***************************************************************************************************************************************

Mittwoch, 13. Juli 2022

09:00

Sergios Gatidis
(Max Planck Institut für Intelligente Systeme (MPI-IS), Tübingen)

Machine Learning for Science - and What About the Real World? Challenges for ML in Medicine

09:45

Michael Franke
(Fachbereich Allgemeine Linguistik und Computerlinguistik, Universität Tübingen)

Probabilistic Models of Language Use

10:30

Charley Wu
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen und Tübingen AI Center)

The Trajectory of Human Development Resembles Stochastic Optimization in the Space of Learning Strategies

11:00

Kaffeepause

11:15

Devis Tuia
(Environmental Computational Science and Earth Observation Laboratory, EPFL)

KEYNOTE: Machine Learning Supporting Ecology Supporting Machine Learning
Vortrag online

12:15

Richard Gao
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Simulation-based inference for discovering mechanistic models of neural population dynamics

12:45

Almut Sophia Köpke
(Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Title tbd

13:15

Mittagspause

14:15

Cluster Network Project

Machine Learning in Education

14:45

Cluster Network Project
Modeling and Understanding Spatiotemporal Environmental Interactions

15:15

Cluster Network Project
Probabilistic Inference in Mechanistic Models

15:45

Cluster Network Project
Compositionality in Minds and Machines

16:15

Cluster Network Project
Uncovering the inner structure of medical images through generative modeling

16:45

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

Closing Remarks

Science and Innovation Days, 29. Juni - 2. Juli 2022

Science and Innovation Days

Vom 29. Juni bis zum 2. Juli 2022 öffnen die großen Tübinger Forschungseinrichtungen ihre Türen und präsentieren interessierten Bürgerinnen und Bürgern ihre Forschung. Die Science and Innovation Days finden über die gesamte Stadt verteilt statt, das Programm ist hier zu finden. Die Veranstaltungen sind auf Deutsch.

Die Mitglieder unseres Clusters beteiligen sich mit folgenden Beiträgen:
 

Mittwoch, 29. Juni 2022
18:15

Mit Eric Schulz

Kick Off: Wissenschafft Zukunft - Wissenschaft und Gesellschaft im Dialog
Mehr Info: https://uni-tuebingen.de/en/230849#c1565246

20:30

Mit Nicole Ludwig

► Künstliche Intelligenzen der Zukunft: Fakten und Fiktionen (Lesung)

Mehr Info: https://uni-tuebingen.de/de/230849#c1565249

 
Freitag, 1. Juli 2022

20:00

Mit Robert Bamler

Wieviel Science steckt in der Fiction? - Künstliche Intelligenz in Film und Forschung (Film und Diskussion)

Mehr Info: https://uni-tuebingen.de/de/230858#c1583855

 
Samstag, 2. Juli 2022

09:30 - 10:30

Mit Tilman Gocht

Hinter den Fassaden - Spaziergang über den KI-Forschungsstandort

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

10:00 - 12:00

Mit Kerstin Rau, Thomas Gläßle

Wie gut versteht eine Maschine die Natur? Vorhersage von Bodentypen im Schönbuch

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

10:00 - 12:00

Mit Georg Martius, Huanbo Sun

Wie Roboter fühlen können - ein sensitiver Roboterfinger mit Tastsinn

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

10:00 - 10:30

und

11:30 - 12:00

Für Kinder

Bernhard Schölkopf: Warum sind Computer dumm?

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

10:00 - 13:00

Mit Philipp Hennig

Info- und Feedbackstand: Was macht Cyber Valley?

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

10:30 - 11:15

Mit Tilman Gocht

Hinter den Fassaden - Spaziergang über den KI-Forschungsstandort

Mehr Info: https://uni-tuebingen.de/de/230852#c1583873

13:15

Für Kinder

Andreas Geiger: Kann künstliche Intelligenz kreativ sein? ( bereits ausgebucht)

Workshop für Kinder im Rahmen des Kinder-Uni-Forschungstags

Mehr Info: https://uni-tuebingen.de/de/2626#c547865

15:15

Für Kinder

Andreas Geiger: Kann künstliche Intelligenz kreativ sein?

Workshop für Kinder im Rahmen des Kinder-Uni-Forschungstags. Anmeldung bis 29.6 unter kinderunispam prevention@uni-tuebingen.de

Mehr Info: https://uni-tuebingen.de/de/2626#c548369

 

Workshop „AI and ML Research and Democracy”, 2. - 4. April 2022

PhD Workshop "Artificial Intelligence and Machine Learning Research and Democracy" mit öffentlicher Abschlussveranstaltung

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------
       2. - 4. April 2022 an der Universität Tübingen
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

About the workshop:
As the use of Machine Learning algorithms and Artificial Intelligence pervades all areas of our lives and societies, it also affects fundamental pillars of democracy, such as public debate, political decision making and (dis)information through media. In our PhD workshop “Artificial Intelligence and Machine Learning research and democracy – an interdisciplinary perspective” we will provide a platform for young researchers from all relevant disciplines – from machine learning research to political science and every nuance in between – to engage in exchange of methods and current state of the art research. Our guiding question will be: How can we shape the co-development of AI/ ML research and democracy?

More information: ai-and-democracy-workshop.de

 

„KI gestaltet Demokratie – Demokratie gestaltet KI“ am 4. April um 18:30

Zum Abschluss des Workshops findet am 4. April ab 18:30 Uhr eine öffentliche Diskussionsrunde zu "KI und Demokratie" in der "Westspitze" in Tübingen statt.
Zu dieser Veranstaltung sind alle Interessierten herzlich eingeladen.
Anmeldung über folgenden Link: ai-and-democracy-workshop.de/podium

 

Workshop "Introduction to Machine Learning", 30. März 2022

Workshop "Introduction to Machine Learning"

Das Machine Learning ⇌ Science Colaboratory lädt zu einem praxisorientierten Präsenz-Workshop über die Einführung in das Maschinelle Lernen ein.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Mittwoch, 30. März 2022, 9:00 bis 13:00

Die Veranstaltung findet vor Ort statt in der Maria-von-Linden-str. 6, 72076 Tübingen, Hörsaal (Erdgeschoss, Raum 00-28/A7)

Anmeldung:
Hier geht es zum  Anmeldeformular
Bitte beachten, dass die Teilnehmerzahl auf 12 Personen begrenzt ist! Teilnehmer werden etwa eine Woche vor der Veranstaltung von uns benachrichtigt.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

What? We’ll present first the fundamentals of ML with the aid of interactive demonstrations. Equipped with the necessary concepts, we will then jointly look at your specific research problems and data, and discuss how to design a ML project for them.

Who? Researchers from MSc student to PI level at the University of Tübingen who would like to know more about machine learning and how it can help with their research. Scholars from all disciplines are invited to join, no math or programming skills will be assumed.

How to prepare? Think about the characteristics of relevant datasets that you have access to, and be ready to discuss your use-case with the group. Bring your own laptop.

Covid regulations: 3G-rules apply (proof of vaccination or past infections or negative test) + FFP2 mask
 

For more information, please visit the Machine Learning ⇌ Science Colaboratory Website

Workshop "Philosophy of Science Meets Machine Learning", 9. - 12. November 2021

Workshop "Philosophy of Science Meets Machine Learning"
 

  Der Workshop findet in Präsenz in Tübingen statt
      am 09.11. + 10.11. in der Alten Aula (Münzgasse 30)
      am 11.11. + 12.11. im Max Planck Institute for Intelligent Systems (Max-Planck-Ring 4)


Der Workshop wird organisiert von der Arbeitsgruppe 'Ethik und Philosophie der Künstlichen Intelligenz' des Exzellenzclusters 'Machine Learning: Neue Perspektiven für die Wissenschaft' an der Universität Tübingen (Workshop-Veranstalter: Thomas Grote, Thilo Hagendorff, Eric Raidl).

Anmeldung: Die Plätze sind begrenzt. Gäste melden sich bitte an über: rebigtimspam prevention@googlemail.com

Machine learning does not only transform businesses and the social sphere, it also fundamentally transforms science and scientific practice. The workshop focuses on that latter issue. It aims to discuss whether and how exactly recent developments in the field of machine learning potentially transform the process of scientific inquiry. For this, it sets out to analyse the field of machine learning through the lenses of philosophy of science, epistemology, research ethics and cognate fields such as sociology of science. The workshop will bring together philosophers from different backgrounds (from formal epistemology to the study of the social dimensions of science) and machine learning researchers. The workshop`s central topics are:

  1. A critical reflection on key-concepts, such as ‘learning’, ‘inference’, ‘explanation’ or ‘understanding’.
  2. The implications of machine learning for the special sciences, e.g. cognitive science, social science or medicine.
  3. The ethics of machine learning-driven science, e.g. the moral responsibilities of researchers.
  4. Social aspects of machine learning-driven science, e.g. the impact of funding structures on research.

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

 Programm

 

DAY 1: November 9 - Alte Aula

13:00 Registration & Coffee
13:50 Short Introduction
14:00 - 14:50 Gregory Wheeler - "Discounting Desirable Gambles"
15:00 - 15:40 Vlasta Sikimic - "Algorithmic grant review: benefits and limitations"
15:50 - 16:40 Emily Sullivan - "Stopping the Opacity Regress"
16:40 - 17:00 Coffee & Snacks
17:00 - 17:50 Bob Williamson - "(Un)stable facts, and (missing) chains of reference in machine learning"
  Evening activities / Dinner


DAY 2: November 10 - Alte Aula

09:00 - 09:50    Carlos Zednik - "The Explanatory Role of Explainable Artificial Intelligence"

10:00 - 10:40   

Moritz Renftle et al. - "Evaluating the Effect of XAI on the Understanding of Machine Learning Models"
10:40  - 11:20 Timo Freiesleben - "To Explain and to Predict - Explanatory Machine Learning Models in Science"
11:20 - 11:40 Coffee & Snacks
11:40 - 12:30 Alex Broadbent - "Predictive Investigation and Deep Learning"
12:30 - 14:00 Extended lunch break
14:00 - 14:50

Jon Williamson - "Evidential Pluralism and Explainable AI"

15:00 - 15:40 Oliver Buchholz - "Towards a Means-End Account of XAI"
15:40 - 16:00 Break
16:00 - 16:40 Koray Karaca - "Inductive Risk and Values in Machine Learning"
16:40 - 17:30 Lena Kästner - "Grasping Psychopathology: On Complex and Computational Models"
  Informal discussion / Dinner


DAY 3: November 11 - MPI-IS

9:30 - 10:10       Benedikt Hoeltgen - "Causal Variable Selectrion Through Neural Networks"
10:10 - 10:50 Daniela Schuster - "Suspension of Judgment and Explainable AI"
10:50 - 11:20   Coffee & Snacks
11:20 - 12:10 Anouk Barberousse - "Can Concept of Scientific Knowledge be Transformed by Machine Learning?"
12:10 - 14:00 Extended lunch break
14:00 - 14:40 Giorgio Gnecco et al. - "Simple Models in Complex Worlds: Occam's Razor and Statistcal Learning Theory" (Online)
14:40 - 15:20 Atoosa Kasirzadeh - "Kinds of Explanation in Machine Learning" (Online)
15:20 - 15:50 Coffee Break
15:50 - 16:30 Tim Räz - "Understanding Machine Learning for Empiricists"
16:30 - 17:20 Carina Prunkl - "Predictive Investigation and Deep Learning"
  Informal Discussion / Dinner


DAY 4: November 12 - MPI-IS

9:30 - 10:10 Mario Günther - "How to Attribute Beliefs to AI Systems?" (Online)
10:10 - 10:50 Dilectiss Liu - "Epistemic Opacity Does Not Undermine the Epistemic Justification of Machine Learning Models"
11:00 - 11:50    Kate Vredenburgh - "Against Rational Explanations"
11:50 - 12:20 Coffee Break
12:20 - 13:00 Roundtable

 

Vortrag Claire Vernade - 30. September 2021


| Bandit learning with delays in Non-stationary environments |

Claire Vernade

DeepMind, London, UK
 

WANN:  Donnerstag, 30.09.2021 um 9:00
WO:       Hybrid-Veranstaltung:
Claire hält den Vortrag im Hörsaal der Maria-von-Linden-Straße 6 (EG). Aufgrund der aktuellen Covid-Beschränkungen sind die Plätze begrenzt. Cluster-PIs können vor Ort im Hörsaal teilnehmen - bei Interesse bitte bei Elena Sizana anmelden. Es gilt die 3G-Regel (vollständig geimpft, getestet oder genesen).
Alle anderen laden wir ein, über Zoom teilzunehmen: https://zoom.us/j/99906352769

 
ABSTRACT

We consider the problem of learning with delayed bandit feedback, meaning by trial and error, in changing environments. This problem is ubiquitous in many online recommender systems that aim at showing content, which is ultimately evaluated by long-term metrics like a purchase, or a watching time.  Mitigating the effects of delays in stationary environments is well-understood, but the problem becomes much more challenging when the environment changes. In fact, if the timescale of the change is comparable to the delay, it is impossible to learn about the environment, since the available observations are already obsolete. However, the arising issues can be addressed if relevant intermediate signals are available without delay, such that given those signals, the long-term behavior of the system is stationary. To model this situation, we introduce the problem of stochastic, non-stationary and delayed bandits with intermediate observations. We develop a computationally efficient algorithm based on UCRL, and prove sublinear regret guarantees for its performance.

Workshop "Simulation-based Inference for scientific discovery", 20.-22. September 2021, ONLINE

Workshop "Simulation-based Inference for scientific discovery"

Der Workshop findet virtuell auf Zoom statt.

Der Workshop wird gemeinsam organisiert vom ML⇌Science Colaboratory, der Machine Learning in Science Arbeitsgruppe (Jakob Macke) und Helmholtz AI.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

Anmeldung:
Deadline für die Anmeldung ist der 31. August, hier geht es zum Anmeldeformular

Please note, we can only select 20 participants for the workshop. To come up with that list and make a final decision, we will form a small selection board. We will inform successful applicants subsequently.

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------

You use simulation in physics, economics, archaeology or any other domain of your choice? You want to find the simulator's parameters that best fits the observations? Then simulation-based inference is something for you!

We teach a practical simulation-based inference workshop to help you understand recent machine learning techniques and apply them to your problem.

Apply to learn, have fun, and participate in a supportive and inclusive community. The workshop will combine lectures and practical hands-on sessions by experts in the field. We strive to provide a seamless computing environment for you to focus on the content rather than in import errors.

We plan to cover the following topics:

| Programm

20. September

Using simulators for discovery, introduction to conditional density estimation.

  • a discussion of simulators
  • parameter inference
  • Bayesian Inference without Likelihoods
21. September

How does neural simulation-based inference work?

  • Bayes' Rule with neural density estimators
  • posterior estimation (SNPE)
  • likelihood estimation (SNLE and beyond)
22. September

Applying the sbi toolbox to your problem. Pitfalls, tricks and opportunities!

  • hands-on: sbi
  • hands-on: sbi and normalizing flows
  • hands-on: calibration or misspecification
  • bring your own data

 

3. Jahres-Konferenz "Machine Learning in Science", 12. + 13. Juli 2021


3. Exzellenzcluster Konferenz
"Machine Learning in Science" 2021


► Montag 12. Juli  | 14:00 - 18:00 | Registrierungslink
                                   anschliessendes Online Theater um 19:30

► Dienstag 13. Juli  | 14:00 - 18:00 | Registrierungslink

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Die Konferenz findet virtuell statt über Zoom.
Eine Anmeldung ist notwendig, für jeden Tag separat, Registrierungslinks s.o.
 

Das Theaterstück am Montagabend ist für die Öffentlichkeit zugänglich, weitere Informationen hier. Das Stück wird in englischer Sprache gespielt und auf Youtube live gestreamt. Im Anschluss gibt es eine Diskussion mit den Schauspielern und einigen Forschenden unseres Clusters. Eine Anmeldung ist nicht erforderlich.
Links:
Theaterstück https://tinyurl.com/SiliconWoman
Anschliessende Diskussion auf Zoom https://zoom.us/j/91670801978

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------

PROGRAMM

Alle Zeiten sind in MESZ, Mitteleuropäische Sommerzeit, angegeben.

Programm [PDF]

 

Montag, 12. Juli 2021

 

14:00 - 14:15  

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Eröffnung

14:15 - 14:45     

Robert Bamler
(Fachbereich Informatik und Exzellenzcluster "Maschinelles Lernen", Universität Tübingen)

Maintaining Individual Agency in the Age of Big Data: Baby Steps

14:45 - 15:15      

Caterina De Bacco
(Max Planck Institute for Intelligent Systems (MPI-IS), Tübingen)

Learning Reciprocity and Community Patterns in Networks

15:15 - 15:30    

PAUSE

15:30 - 16:00

Konstantin Genin
(Fachbereich Informatik und Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Clinical Equipoise and Causal Discovery

16:00 - 16:45

Spotlight Präsentationen

Innovation Fund Projekte des Exzellenzclusters "Maschinelles Lernen"

 

16:00 - 16:10    
David Künstle

Machine Learning Approaches for Psychophysics with Ordinal Comparisons

 

16:10 - 16:20  
Thomas Gläßle / Kerstin Rau

Interpretable Spatial Machine Learning for Environmental Modelling

      

16:20 - 16:30
Daniel Weber

Human-Robot Interface with Eye-Tracking

     

16:30 - 16:40 
Valentyn Boreiko

Counterfactual Explanations of Decisions of Deep Neural Networks with Applications in Medical Diagnostics

16:45 - 17:00  

PAUSE
17:00 - 17:30

Spotlight Präsentationen

Innovation Fund Projekte des Exzellenzclusters "Maschinelles Lernen"

 

17:00 - 17:10
Susanne Zabel

Visualizing Uncertainty from Data, Model and Algorithm in Large-Scale Omics Data

 

17:10 - 17:20
Lukas Fischer / Michael Nagel

Modelling Behavioral Responses to Emotional Cues in Sports - A Bayesian Approach

 

17:20 - 17:30
Francesco Carnazza

Understanding Quantum Effects in Neural Network Models through ML

17:30 - 18:00

Manfred Claassen
(Klinische Bioinformatik, UniversitätsklinikumTübingen)

► (Weakly) Supervised Learning of Disease Associated Cell States and Dynamics

18:00 - 19:30 PAUSE
19:30 - 20:15

Theater

► Silicon Woman - the Singing Cyborg

***************************************************************************************************************************************

Dienstag, 13. Juli 2021

14:00 - 14:50            

Keynote Lecture
Neil Lawrence
(The DeepMind Professor of Machine Learning, University of Cambridge)

Machine Learning and the Physical World

14:50 - 15:20      

Samira Samadi
(Max Planck Institute for Intelligent Systems (MPI-IS), Tübingen)

Socially Fair k-Means Clustering

15:20 - 15:30     

PAUSE

15:30 - 16:30

Spotlight Präsentationen
Innovation Fund Projekte des Exzellenclusters “Maschinelles Lernen”

   

15:30 - 15:40 
Matthias Karlbauer

Short-to-Mid Scale Weather Forecasting with a Distributed, Recurrent CNN

 

15:40 - 15:50  
Pablo Sanchez Martin

Extracting Expertise from Tweets: Exploring the Boundary Conditions of Ambient Awareness

    

15:50 - 16:00
Zohreh Ghaderi / Hassan Shahmohammadi

Enhancing Machine Learning of Lexical Semantics with Image Mining

  

16:00 - 16:10   
Jonathan Fuhr

Applied Casual Inference in Social Sciences and Medicine

  

16:10 - 16:20
Jonas Ditz

Extending Deep Kernel Approaches for Better Prediction and Understanding of ADME Phenotypes and Related Drug Response

  

16:20 - 16:30  
Alessandro Simon

Analytic Classical Density Functionals from an Equation Learning Network

16:30 - 16:45 PAUSE
16:45 - 17:15

Peter Ochs
(Fachbereich Mathematik, Universität Tübingen)

Optimization for Machine Learning

17:15 - 17:45

Enkelejda Kasneci
(Fachbereich Informatik und Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Machine Learning for intelligent Human-Computer Interaction

17:45 - 18:00

Ulrike von Luxburg / Philipp Berens
(Sprecher Exzellenzcluster "Maschinelles" Lernen, Universität Tübingen)

Closing Remarks

Workshop "Philosophy of Medical AI", 08.-09. Okt 2020 -- ONLINE

Virtual Workshop on the Philosophy of Medical AI


► Donnerstag, 08. Oktober  | 09:30 - 17:30
► Freitag, 09. Oktober  | 10:00 - 16:00


Anmeldung
Der Workshop ist öffentlich zugänglich, eine Anmeldung ist nicht erforderlich.

Organisation
Thomas Grote; Ethics and Philosophy Lab; Cluster of Excellence “Machine Learning: New Perspectives for Science”

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------
  Der Workshop findet virtuell auf Zoom statt.
      Link zum Meetig am DONNERSTAG Meeting-ID: 977 8903 0792
      Link zum Meeting am FREITAG Meeting-ID: 990 9618 3434
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Die jüngsten Fortschritte im Bereich des Deep Learning haben das Interesse an der Anwendung von KI-Systemen im Gesundheitswesen weiter gesteigert. Eine Vielzahl hochkarätiger Studien zeigt, wie vielfältig die Möglichkeiten sind, die KI für verschiedene Zweige der Medizin bietet: Sie reichen von der Verbesserung medizinischer Diagnosen über die rechtzeitige Vorhersage von Gesundheitsrisiken bis hin zur Entdeckung neuer Medikamente. Gleichzeitig gibt es Befürchtungen, dass die Unvollkommenheit der gegenwärtigen KI-Systeme strukturelle Missstände im Gesundheitssystem verstetigen könnten oder sogar neue ethische Probleme schaffen könnten. Ziel dieses Workshops ist es, über die Chancen und Herausforderungen des Einsatzes von KI in der Medizin nachzudenken. Dazu bringt der Workshop Wissenschaftsphilosoph*innen, Medizinethiker*innen sowie Forscher*innen aus den Bereichen Maschinelles Lernen oder Bioinformatik zusammen.


Donnerstag, 08. Oktober 2020

09:30 - 10:00  

Welcome address and brief introduction

10:00 - 10:50    

Sune Holm (University of Copenhagen)

Equality and Fair Algorithmic Decision Making

11:00 - 11:50     

Atoosa Kasirzadeh (Australian National University/University of Toronto)

The Use and Misuse of Counterfactuals in Machine Learning

    

MITTAGSPAUSE

13:00 - 13:50

Georg Starke (University of Basel)

Does Trust Constitute an Adequate Epistemic Stance Towards Medical AI?

14:00 - 14:50  

Geoff Keeling (Stanford University)

Decision-Support Systems and Clinical Reasoning – A Peircian Approach

    

PAUSE

15:30 -16:20    

Manfred Claassen (University of Tübingen)

Challenges in machine learning driven translation of single-cell biology studies

16:30 - 17:30           

Alex London (Carnegie Mellon University, Pittsburgh)

Keynote: Ethics in Medical AI: Explaining Models vs Explaining the Warrant for Their Use

***************************************************************************************************************************************

Freitag, 09. Oktober 2020 

10:00 - 10:50

Chris Burr (Alan Turing Institute)

Responsible Innovation and Digital Psychiatry

11:00 - 11:50

Rune Nyrup (University of Cambridge)

Value Transparency in Science and Machine Learning

 

MITTAGSPAUSE

13:00 - 13:50

Emily Sullivan (University of Eindhoven)

Opacity in Medical Explanations: Is AI Special?

14:00 - 14:50 

Zeynep Akata (University of Tübingen)

Explaining Neural Network Decisions Via Natural Language

15:00 - 16:00

Alex Broadbent (University of Johannesburg)

Keynote: Why Robots Cannot Do Epidemiology

Machine Learning meets Environmental Science, 25. September 2020

Machine Learning meets Environmental Science

Friday, September 25, 2020
 

Meeting Venue
Neue Aula, Audimax, Geschwister-Scholl-Platz

Organizers
Prof. Martin Butz (ML Cluster, Dep. Of Computer Science)
Prof. Christiane Zarfl (Center for Applied Geoscience)

Registration
Registration is required by Email until Sept 22, 2020.
_______________________________________________________________________________________________________________________________________________________________________________________________

PROGRAM

09:00    Welcome and Introduction: Cluster of Excellence – Machine Learning for Science
              Philipp Berens
09:10     ML Transfer Center and simulation based inference
              Álvaro Tejero-Cantero & Jakob Macke
09:40     Day-ahead optimization of production schedules for saving electrical energy costs
              Thomas Stüber & Michael Menth
10:00     Uncovering hidden structure in climate data
               Bedartha Goswami
10:20    Coffee Break
10:40    Learning spatiotemporal distributed generative graph neural networks
              Martin Butz
11:00    Modeling environmental processes in rivers
             Christiane Zarfl
11:20    Can plants learn? Coupling models and data in eco-evolutionary research
             Sara Tomiolo & Maximiliane Herberich (from Katja Tielbörger’s group)
11:40    Improving the spatial prediction of soil organic carbon content in two contrasting climatic regions by
             stacking machine learning models and rescanning covariate space

             Ruhollah Taghizadeh-Mehrjardi (from Thomas Scholten’s group)
12:00    The climate situation: Facts and Necessities
             Harald Baayen
12:05    Snack Break
12:30    ML and mobile robots in environmental science
             Andreas Zell
12:50    Turbulent transport of energy, momentum and matter by large data sets
              obtained from airborne probing of the lower atmosphere

             Jens Bange
13:20    Status of the CRC 1253 CAMPOS - Catchments as Reactors:
             Metabolism of Pollutants on the Landscape Scale

             Christiane Zarfl
13:40    Funding options in the ML Cluster of Excellence and beyond
             Tilman Gocht
14:00   End

_________________________________________________________________________________________________________________________________________________

  Aim of the day

Environmental science studies spatio-temporal dynamics of various processes and on different topics, including climate and weather, geology, hydrology, vegetation and agriculture, various forms of pollution (e.g. of organic pollutants), to name just a few. In all these cases, multiple, often interrelated data sources are available at varying degrees of spatial and temporal granularity. Moreover, human activities, such as river dam building, CO2 release, plantations, industry etc., strongly influence the unfolding dynamics. Critical principles – such as basic laws in physics – apply universally in such systems. Environmental science has strong expertise in modeling the underlying processes – typically by systems of partial or ordinary differential equations.

As a result, besides the expertise about the underlying processes, environmental science offers two types of data – real-world data as well as data from the respectively available models of the considered environmental system. This offers essentially the perfect basis for a meaningful, science-driven application of ML algorithms. On the one hand, the parameters of the differential equations may be optimized more effectively by means of state-of-the-art gradient-based approximation approaches from ML. On the other hand, the available models may be augmented or fully substituted by distributed spatio-temporal, generative neural network approaches, such as convolutional networks, graph networks, autoencoders, recurrent neural networks, and combinations thereof.

Seeing that models are available to pre-train and analyze potentially applicable ML architectures, expertise is available to tune these models to the actual underlying processes, and that real world data is available to further train and test the generalizability of these ML architectures, it is time that ML meets Environmental Science! The aim is to foster collaboration with a focus on two main potential strands. First, available models of differential equations and involved prior situation assumptions may be optimized by means of state-of-the-art ML techniques. Second, ML techniques and particularly distributed, generative artificial neural networks may be designed to infer the processes and structures that generate particular data patterns, thus enabling (i) the fast, efficient, and accurate simulation of environmental processes and (ii) the consideration of impacts of human actions, including the potential to derive optimal actions for steering the environmental system towards a desired (stable / homeostatic) direction.

2. Jahres-Konferenz "Machine Learning in Science", 21. - 23. Juli 2020 -- ONLINE

2. Exzellenzcluster Konferenz
"Machine Learning in Science" 2020



► Dienstag 21. Juli  | 14:00 - 17:45
► Mittwoch 22. Juli  | 14:00 - 18:15
► Donnerstag 23. Juli  | 14:00 - 18:30

 

Programmänderung, Donnerstag 23. Juli: Der Vortrag von Manfred Claassen um 14:00 Uhr muss leider abgesagt werden. Phillip Berens übernimmt dankenswerterweise kurzfristig mit einem Vortrag zum Thema "Towards hybrid models of retinal circuits - integrating biophysical realism, anatomical constraints and predictive performance" contenteditable="false".

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Die Konferenz findet virtuell auf Crowdcast mit einem Live-Stream auf Youtube statt.

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Anmeldung
Die Konferenz ist zugänglich für die Öffentlichkeit. Um per Chat an den Diskussionen teilnehmen zu können, muss man sich über Crowdcast anmelden - Kamera und Mikrofon der Teilnehmer bleiben dabei ausgeschaltet. Einfach an jedem Konferenztag auf den entsprechenden Link auf unserem Crowdcast-Profil klicken. Zuerst die E-Mail-Adresse angeben und dann den vollständigen Namen (Vor- und Nachname). 
Wer die Vorträge nur verfolgen möchten, kann dies über Youtube tun, eine Registrierung ist nicht erforderlich. Hier sind die Livestreams aller Vorträge zu finden. 

Jeder Vortrag dauert 30 Minuten plus 15 Minuten Diskussion, jede Spotlight-Präsentation 5 Minuten plus 5 Minuten Diskussion.

Wichtig: Alle Zeiten sind in MESZ, Mitteleuropäische Sommerzeit, angegeben.

Programm [PDF]

Dienstag, 21. Juli 2020

14:00 - 14:15     

Ulrike von Luxburg, Philipp Berens
(Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Eröffnung
Dr. Simone Schwanitz
(Ministerialdirigentin, Ministerium für Wissenschaft, Forschung und Kunst Baden-Württemberg)

► Grußworte

14:15 - 15:00      

Kyle Cranmer (Center for Cosmology and Particle Physics, New York University)

Keynote Lecture: How Machine Learning Can Help us Get the Most out of our Highest Fidelity Physical Models

15:00 - 15:45       

Zeynep Akata
(Fachbereich Informatik und Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Learning Decision Tress Recurrently through Communication

15:45 - 16:00      

PAUSE

 

Spotlight Präsentationen
Innovation Fund Projekte des Exzellenclusters “Maschinelles Lernen”

16:00 - 16:10      

David Künstle

Machine Learning Approaches for Psychophysics with Ordinal Comparisons

16:10 - 16:20      

Zohreh Ghaderi / Hassan Shahmohammadi

Enhancing Machine Learning of Lexical Semantics with Image Mining

16:20 - 16:30      

Matthias Karlbauer

Causal Inference with a Spatio-Temporal Generative Model

16:30 - 16:40      

Thomas Gläßle / Kerstin Rau

Interpretable Spatial Machine Learning for Environmental Modelling

16:40 - 17:00      

PAUSE

17:00 - 17:45      

Jakob Macke
(Fachbereich Informatik und Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

► Training Neural Networks to Identify Mechanistic Models of Neural Networks

***************************************************************************************************************************************

Mittwoch, 22. Juli 2020 

14:00 - 14:45             

Peter Dayan (Max Planck Institute for Biological Cybernetics, Tübingen)

Modelling and Manipulating Behaviour Using Recurrent Networks

14:45 - 15:30      

Dominik Papies (Fachbereich Wirtschaftswissenschaft, Universität Tübingen)

Machine Learning in Business and Economics - Can it Help us Understand the Relevance of Visual Product Characteristics? 

15:30 - 15:45     

PAUSE

 

Spotlight Präsentationen
Innovation Fund Projekte des Exzellenclusters “Maschinelles Lernen”

15:45 - 15:55         

Eric Raidl / Thomas Grote

Artificial Intelligence, Trustworthiness and Explainability

15:55 - 16:05      

Thilo Hagendorff

The Big Picture: Ethical Considerations and Statistical Analysis of Industry Involvement in Machine Learning Research

16:05 - 16:15      

Daniel Weber

Human-robot Interface with Eye-tracking

16:15 - 16:25      

Pablo Sanchez Martin

Exploring Ambient Awareness in Twitter

16:25 - 16:30      

PAUSE

16:30 - 17:15     

Ingo Steinwart (Institut für Stochastik und Anwendungen, Universität Stuttgart)

Some Thoughts towards a Statistical Understanding of Deep Neural Networks

17:15 - 17:30 PAUSE
17:30 - 18:15

Claire Monteleoni (Department of Computer Science, University of Colorado Boulder)

Deep Unsupervised Learning for Climate Informatics

***************************************************************************************************************************************

Donnerstag, 23. Juli 2020 

14:00 - 14:45             

Philipp Berens (Exzellencluster “Maschinelles Lernen”, Universität Tübingen)

Towards hybrid models of retinal circuits - integrating biophysical realism, anatomical constraints and predictive performance

14:45 - 14:50      

PAUSE

 

Spotlight Präsentationen
Innovation Fund Projekte des Exzellenclusters “Maschinelles Lernen”

14:50 - 15:00      

Jonas Ditz

Extending Deep Kernel Approaches for Better Prediction and Understanding of ADME Phenotypes and Related Drug Response

15:00 - 15:10      

Susanne Zabel

Visualizing Uncertainty from Data, Model and Algorithm in Large-Scale Omics Data

15:10 - 15:20      

Paolo Mazza

Understanding Quantum Effects in Neural Network Models through Machine Learning

15:20 - 15:30      

Jonathan Fuhr

Applied Causal Inference in Social Sciences and Medicine

15:30 - 15:45      

PAUSE

15:45 - 16:30      

Stefanie Jegelka

Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology

► Keynote Lecture: Representation and Learning in Graph Neural Networks

16:30 - 17:15      

Bedartha Goswami (Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen)

 Inferring Climate Variability from Patterns Hidden in Modern and Paleo Time Series Data

17:15 - 17:30      

PAUSE

17:30 - 18:15      

Igor Lesanovsky

Fachbereich Physik, Universität Tübingen

Neural Network Dynamics in Quantum Many-Body Systems

18:15 - 18:30       

Ulrike von Luxburg, Philipp Berens

Sprecher Exzellenzcluster “Maschinelles Lernen”, Universität Tübingen

Closing Remarks

Symposium "Machine Learning in Science", 7. - 8. Juli 2020 -- ONLINE

Symposium "Machine Learning in Science"

am 7. und 8 Juli 2020
Zoom Videokonferenz


Jeder Vortrag dauert 30 Minuten, gefolgt von einer Diskussion von 15 Minuten.

An die Diskussion schließt sich eine 45-minütige nicht-öffentliche Sitzung an, die als Break-out-Gruppe organisiert ist, so dass ALLE Teilnehmer während der gesamten Dauer des Symposiums im Online-Konferenzraum bleiben können.

Anmeldung:
Die Anmeldung ist nur für Nicht-Cluster-Mitglieder erforderlich. Bitte senden Sie eine E-Mail an Sebastian Schwenk (sebastian.schwenkspam prevention@uni-tuebingen.de), der Link zur Zoom-Konferenz wird dann zur Verfügung gestellt.

Wichtig: Teilnehmer, die nicht ihren vollständigen Namen angeben, schließt der Moderator von der Videokonferenz aus.

Programm [PDF]

09:00 – 09:45

Nicole Ludwig (Karlsruhe Institute of Technology)

How Machine Learning Changes Research in Energy

09:45 – 10:15

nicht-öffentliche Sitzung

10:30 – 11:15

Michal Rolínek (Max Planck Institute for Intelligent Systems, Tübingen)

Machine Learning and Combinatorial Optimization

11:15 – 11:45

nicht-öffentliche Sitzung

11:45 – 13:00
PAUSE

13:00 –  13:45

Thilo Wrona (GFZ Helmholtz-Zentrum, Potsdam)

How can Machine Learning Help Us Advance Solid Earth Science?

13:45 –  14:15

nicht-öffentliche Sitzung

14:30 – 15:15

Niklas Wahl (German Cancer Research Center – DKFZ, Heidelberg)

How will Machine Learning change Radiotherapy?

15:15 – 15:45

nicht-öffentliche Sitzung

16:00 – 16:45

Charley Wu (Harvard University, Cambridge, USA)

Bridging the Gap Between Human and Machine Learning

16:45 – 17:15

nicht-öffentliche Sitzung

17:15
Ende Tag 1


*********************************************************************************************************************************************************

09:00 – 09:45              

Christin Beck (University of Konstanz)

Learning the Language of the Past: Historical Linguistics, Natural Language Processing and Machine Learning

09:45 – 10:15        

nicht-öffentliche Sitzung

 

Vortrag Reinhard Diestel - 24. Januar 2020

Tangles: from graph minors to identifying political mindsets


Vortrag von Reinhard Diestel, Universität Hamburg, Fachbereich Mathematik

WANN: Freitag, 24.01.2020 um 10:00
WO: Hörsaal am MPI for Intelligente Systeme, Erdgeschoss
 

ABSTRACT

Traditional clustering identifies groups of objects that share certain qualities. Tangles do the converse: they identify groups of qualities that often occur together. They can thereby discover, relate, and structure types of phenomena: of behaviour, political views, texts, or bacteria. Tangles can identify key phenomena that allow predictions of others. Tangles also offer a new paradigm for clustering in large data sets. Tangle clusters are, by necessity, fuzzy: they tell us where in a large structure a cluster lies, which key properties of data points identify it, and how the overall data set is structured with respect to these clusters. But they do this without needing, or attempting, to assign individual points to any cluster. Tangles of graphs are central to the theory of graph minors developed by Robertson and Seymour for their celebrated proof of the graph minor theorem. For many years, however, algorithmic applications of graph minor theory were largely confined to applications of tree-decompositions, an overall structure dual to the existence of large tangles. Very recently, tangles have been axiomatised in a way that makes them directly applicable to a much wider range of contexts than graphs, even outside mathematics. This talk will outline how this works, with an emphasis on the basic concepts of abstract tangle theory and how these are applicable in real-world scenarios. No knowledge of graph minor theory will be needed.

1. Mini-Konferenz "Machine Learning in Science", 22. - 23. Juli 2019

Exzellenzcluster Konferenz "Machine Learning in Science"

Montag, 22.07.2019 | 09:00 Uhr - 19:00 Uhr | Alte Aula
Dienstag, 23.07.2019 | 09:00 Uhr - 16:00 Uhr | Pfleghofsaal


Anmeldung: Bitte melden Sie sich bis spätestens 15.07.2019 verbindlich zu der Tagung an, E-Mail an Sebastian Schwenk. Bitte geben sie an, an welchen Tagen Sie teilnehmen möchten.

Programm


Montag, 22.07.2019

Alte Aula, Münzgasse 30, 72070 Tübingen

9:00

Opening Remarks

Ulrike von Luxburg, Philipp Berens

Speakers of the Cluster of Excellence “Machine Learning”, University of Tübingen

09:15

Towards Neural Networks Which Probably Know When They Don't Know

Matthias Hein

Department of Computer Science, University of Tübingen

10:00

Inception Loops - Using Deep Learning to Control Biological Neurons

Fabian Sinz

Department of Computer Science, University of Tübingen

10:45

Kaffeepause

11:15

Machine Learning for Heterogeneous and Partially Biased Data in Medicine

Nico Pfeifer

Department of Computer Science, University of Tübingen

12:00

The Art of Using t-SNE for Visualization of Very Large Data Sets

Dmitry Kobak

Institute for Ophthalmic Research, University of Tübingen

12:45 

Mittagessen

13:45

 

Machine Learning inside Scientific Methods and Procedures

Philipp Hennig

Department of Computer Science, University of Tübingen

14:30

 

Dynamic Structural Equation Models in the Social and Behavioral Sciences
and Some Estimation Problems

Augustin Kelava

Methods Center, University of Tübingen

15:15

 

Identifying Climate, Vegetation, and Plate Tectonic Controls on Earth’s Topography

Todd Ehlers

Department of Geosciences, University of Tübingen

16:00

Poster Session

Posterbeiträge siehe unten *

18:00

Mitgliederversammlung Exzellenzcluster (nicht-öffentlich)

19:00

Speaker’s Dinner (nicht-öffentlich)

   
Dienstag, 23.07.2019

Pfleghofsaal, Schulberg 2 (Pfleghof), 72070 Tübingen

09:00

Language Change as a Random Walk in Vector Space

Gerhard Jäger

Institute of Linguistics, University of Tübingen

09:45

Ethics and Explainability

Eric Raidl, Thomas Grote, Thilo Hagendorff

Ethics & Philosophy Lab, Cluster of Excellence Machine Learning, University of Tübingen

10:45

Kaffeepause

11:15

 

Filter ranking for neural network compression

Mijung Park

Department of Computer Science, University of Tübingen

12:00

 

Fairness and Interpretability in ML for Consequential Decision Making

Isabel Valera

Max Planck Institute for Intelligent Systems, Tübingen

12:45 

Mittagessen

13:45

Statistical Limits of Hypothesis Testing: Do We Expect Too Much from ML?

Debarghya Ghoshdastibar

Department of Computer Science, University of Tübingen

14:30

How to Learn Predictive Conceptual Structures, including Causal Relationships, and Generate Goal-Directed Control with them? Achievements and Challenges

Martin Butz

Department of Computer Science, University of Tübingen

15:15

Machine Learning Algorithms as Tools and Models in Vision Science

Felix Wichmann

Department of Computer Science, University of Tübingen

16:00

Closing Remarks

Ulrike von Luxburg, Philipp Berens

Speakers of the Cluster of Excellence “Machine Learning”, University of Tübingen

 

   * Poster Session, July 22, 16:00 – 18:00 *


Weber, D, Kasneci E., Zell A. (Cluster Innovation Fund Project)
Human-robot interface with eye-tracking and augmented reality to teach mobile robots about the real-world.

             University of Tübingen, Department of Computer Science

Valera I.1, Utz S.² (Cluster Innovation Fund Project)
Extracting expertise from tweets: Exploring the boundary conditions of ambient awareness).

             1Max Planck Institute for Intelligent Systems Tübingen, ² Leibniz-Institut für Wissensmedien

Luxburg U., Wichmann F. (Cluster Innovation Fund Project)

Machine learning approaches for psychophysics with ordinal comparisons

             University of Tübingen, Department of Computer Science

Zabel S.1, Hennig P.2, Nieselt K.1 (Cluster Innovation Fund Project)

Visualizing Uncertainty from Data, Model and Algorithm in Large-Scale Omics Data

             University of Tübingen, 1Center for Bioinformatics Tübingen, ²Department of Computer Science

Karlbauer, M.1, Lensch H.1, Scholten T.², Butz M.1 (Cluster Innovation Fund Project)

Short-to-Mid Scale Weather Forecasting with a Distributed, Recurrent Convolutional ANN

             University of Tübingen, 1Department of Computer Science, ²Department of Geosciences

Behrens, T.1, Schmidt, K.1, Hennig, P.², Scholten, T.1 (Cluster Innovation Fund Project)
Feature engineering for spatial modelling.

             University of Tübingen, 1Department of Geosciences, ²Department of Computer Science

Baayen H.1, Lensch H.² (Cluster Innovation Fund Project)
Enhancing Machine Learning of Lexical Semantics with Image Mining

            University of Tübingen, 1Department of Linguistics, ²Department of Computer Science

 

Macke J.1, Hennig P.², Berens P.³, Oberlaender M.4
Automatic Data-driven Inference of Mechanistic Models

              1Technische Universität München, Computational Neuroengineering Group 1

               University of Tübingen, ²Department for Computer Science, ³Institute for Ophthalmic Research

              4Center of advanced european studies and research

Pawlowski, T.1, Berens, P.², Kelava, A.³
Emotional cues and alcohol use: evidence from football.

               University of Tübingen, 1Department Institute of Sport Science, ²Institute for Ophthalmic Research, ³ Methods Center

Kilian P.
Predicting math student college dropout with sparse information using approaches from statistical learning

              University of Tübingen, Methods Center

Klopotek M., Oettel M.
Variational autoencoders put up to the test in learning a statistical-mechanical model system

             University of Tübingen, Institut für Angewandte Physik

Lin SC, Oettel M.
Classical density functionals from machine learning

             University of Tübingen, Institut für Angewandte Physik

Greco A.1, Starostin V.1, Hinderhofer A.1, Gerlach A.1, Karapanagiotis C.², Liehr S.², Kowarik S.²,
Schreiber F.1
Fast Scattering Data Analysis Using Machine Learning.
                1University of Tübingen, Institut für Angewandte Physik, Uni Tübingen, ² Bundesanstalt für Materialforschung
                 und -prüfung (BAM), Berlin

Sümer Ö.1,2, Kasneci E.1
Attention Flow: End-to-End Joint Attention Estimation

             University of Tübingen, 1Department of Computer Science, ²Hector Research Institute of Education Sciences and 
           Psychology (HIB)

Fuhl W., Kasneci G., Rosenstiel W., Kasneci E.
Training decision trees as replacement for convolution layers

               University of Tübingen, Department of Computer Science

Zadaianchuk A., Martius G.
Equation Learning for Extrapolation and Control

             Max Planck Institute for Intelligent Systems Tübingen
 

Machine Learning meets Physics, 10. Juli 2019

Machine Learning meets Physics

AI Gebäude, Hörsaal (EG)

Maria von Linden Str. 6, 72076 Tübingen
 

9:00 – 9:25:   Frank Schreiber et al: “Analysis of X-ray Scattering Data Using Artificial Neural Networks”
9:25 – 9:50:   Hendrik Lensch: “Deep Learning on Unstructured Point Clouds”
9:50 – 10:15: Martin Oettel: “Density functionals from machine learning”

10:15 – 10:45: Kaffeepause

10:45 – 11:10: Miriam Klopotek: “Variational autoencoders put up to the test in learning a statistical-mechanical
                                                            model system”
11:10 – 11:35: Georg Martius: “Machine Learning for Equation Identification”
11:35 – 12:00: Andreas Zell: “ML, Physics and Robotics”

12:00 – 13:00: Diskussion

TÜFFF - Tübinger Fenster für Forschung, 24. Mai 2019

TÜFFF - Tübinger Fenster für Forschung

Spitzenforschung zum Anfassen für alle Altersgruppen

WANN:  Freitag, 24. Mai 2019, 15 – 22 Uhr
WO:       Hörsaalzentrum der Naturwissenschaften, Auf der Morgenstelle 16
              Eintritt frei

Das „Tübinger Fenster für Forschung“ (TÜFFF) bietet allgemein verständliche und interaktive Einblicke in die Tübinger Spitzenforschung. Mitmach-aktionen, Demonstrationen, Laborführungen, Vorträge, eine Informations-messe sowie ein Science Slam erwarten die interessierte Öffentlichkeit beim 4. TÜFFF an der Universität Tübingen. Durch die Aufbereitung und Präsentation aktueller Forschungsthemen für ein fachfremdes Publikum richtet sich die Veranstaltung an alle Altersgruppen.

Das Exzellenzcluster „Maschinelles Lernen“ beteiligt sich mit 8 Ständen am „Markt der Möglichkeiten“:
  •  Deep Capturing - Computer Vision, Prof. Hendrik Lensch
  •  Deep Deblurring - Computer Vision, Prof. Hendrik Lensch
  •  Interaktive Karte zur Bodenqualität im Raum Tübingen - Geowissenschaften, Prof. Thomas Scholten
  •  Was ist ein neuronales Netzwerk? – Bioinformatik, Prof. Dr. Kay Nieselt
  •  Antizipatives Verhalten in künstlichen neuronalen Netzen - Kognitionswissenschaften, Prof. Martin Butz
  •  Wie kann ein Computer lernen, Wörter in Latein, Russisch, Estnisch und Hebräisch zu beugen?
     Linguistik, Prof. Harald   Baayen
  •  Vorhersage von Blickrichtungen - Neurowissenschaften,
     Prof. Matthias Bethge
  •  Briefumschlag-Computer – Theorie des maschinellen Lernens,
     Prof. Ulrike Luxburg

Weitere Informationen im Programmheft und auf der Veranstaltungsseite

Symposium "Ethik und Philosophie des Maschinellen Lernens in der Wissenschaft", 15. Mai 2019

„Ethik und Philosophie des Maschinellen Lernens in der Wissenschaft“

15. Mai 2019

Max-Planck-Gästehaus – Hörsaal
Max-Planck-Ring 6, 72076 Tübingen

Programm

 

08:30

Simplicity and Scientific Progress: A Topological Perspective
Konstantin Genin -- Department of Philosophy, University of Toronto, Kanada

09:15

Learning Through Creativity
Caterina Moruzzi -- Department of Philosophy, University of Nottingham, UK

10:00

Kaffeepause

10:20

Black-Boxes, Understanding, and Machine Learning
Emily Sullivan-Mumm
-- Ethics and Philosophy of Technology, Delft Data Science, Niederlande

11:05

Working at the margins of machine learning – the ethics of labeling
Thilo Hagendorff
-- Internationales Zentrum für Ethik in den Wissenschaften,
Universität Tübingen, Deutschland

11:50

Inductive Bias and Adversarial Data
Tom Sterkenburg
-- LMU München, Philosophie,
Wissenschaftstheorie und Religionswissenschaft, Deutschland

12:35

Mittagspause

13:30 - 14:30

Invited Talk

Co-Opt AI! Charting the emerging field of AI, ethics and social justice

Mona Sloane, Institute for Public Knowledge, New York University, USA
Abstract

17:10 - 17:55

KONFERENZRAUM
ML from a DiscO viewpoint: Compressed Sensing, Dictionary Learning
and beyond
(machine learning)
Andreas M. Tillmann
-- Operations Research & Visual Computing Institute,
RWTH Aachen, Deutschland

 

Symposium "Machine Learning in Science", 18. und 25. - 27. März 2019

Symposium „Machine Learning in Science“

18. und 25. - 26. März 2019

Max-Planck-Gästehaus – Hörsaal
Max-Planck-Ring 6, 72076 Tübingen

Programme

Montag, 18. März 2019

09:30 – 10:30

Neutrino Cosmology - Weighing the Ghost Particle with the Universe

   Dr. Elena Giusarma -- Simons Foundation, Flatiron Institute Center for Computational
    Astrophysics, New York, USA

 

Montag, 25. März 2019

08:30

Information Field Theory
   PD Dr. Torsten Enßlin -- MPI für Astrophysik, Garching

09:30

Active machine learning for automating scientific discovery
    Prof. Dr. Roman Garnett -- Washington University in St. Louis, USA

10:30

Kaffeepause

11:00

Bayesian optimisation: nano-machine-learning
   Assoc. Prof. Dr. Michael Osborne -- University of Oxford, UK

12:00

Robust and Scalable Learning with Graphs

   Prof. Dr. Stephan Günnemann  -- TU München

13:00

Mittagessen

15:00

Representing and Explaining Novel Concepts with Minimal Supervision

   Asst. Prof. Dr. Zeynep Akata -- University of Amsterdam

16:00

Kaffeepause

17:45

Konstituierende Clustersitzung und Mitgliederversammlung (nicht-öffentlich)

19:00

Gemeinsames Abendessen (nicht öffentlich)

 

Dienstag, 26. März 2019

08:30

Expressive, Robust and Accountable Machine Learning for Real-world Data
   Dr. Isabel Valera -- MPI for Intelligent Systems, Tübingen

09:30

Algorithms of Vision: From Brains to Machines and Back
   Dr. Alexander Ecker -- Universität Tübingen

10:30

Kaffeepause

11:00

From Paired to Unpaired Image-to-Image Translation and Beyond
   Dr. Radu Timofte -- ETH Zürich, Schweiz

12:00

Face processing: Bridging Natural and Artificial Intelligence

   Assoc. Prof. Dr. Angela J. Yu -- University of California San Diego, USA

13:00

Mittagessen 

14:00 From statistics to mechanisms, and back
   Prof. Dr. Jakob Macke - TU München

Machine Learning meets Law, 19. März 2019

Machine Learning meets Law, Neue Aula


9:00 Stefan Thomas: Algorithms and Antitrust: How can the law make sure that machine learning does not impede competitive freedom?

9:15 Thilo Hagendorff: Regularory Needs in the Field of AI - From Ethics to Policies

9:30 Thomas Grote: The ethics of (expert-level) algorithmic decision-making

9:45 Isabel Valera: Fairness in Machine Learning

10:00 Oliver Kohlbacher: Legal issues related to AI in medicine

10:15 Discussion as long as we want

Erstes Treffen des Cluster "Machine Learning in Science", 12.-13. November, 2018

Internal Meeting of the Cluster "Machine Learning in Science": November 12-13, 2018

Meeting location: Ground floor lecture hall at the Max-Planck Institute for Intelligent Systems (directions)

Preliminary schedule:

Nov 12th
=========
9:00-10:00   Welcome, information & organisation
                     Ulrike von Luxburg and Philipp Berens
10:00-12:15   Short introductory talks of new group leaders
10:00-10:15   Jörg Stückler
10:15-10:30   Falk Lieder

10:30-11:00   Coffee break

11:00-11:15   Georg Martius
11:15-11:30   Britta Dorn
11:30-11:45   Fabian Sinz
11:45-12:00   Zhaoping Li
12:00-12:15   Gabriele Schweikert
12:15-12:30   Augustin Kelava
12:30-12:45   Michael Krone

12.45 -14:00   Lunch

14:00-15:00   Spotlights for open questions
                       (all PIs: please prepare exactly 1 slide (3 minutes) and send it to Alla at latest Nov 11)
15:00-15:30   Coffee break
15:30-18:00   Work phase for project teams

18:30   Dinner at Hofgut Rosenau

Nov 13th
========
9:00-10:30   Discussion of open questions, directions, ideas for how
                     the Excellence Cluster should start and work

10:30-11:00   Coffee break

11:00-12:00   Discussion and work phase

12:00-14:00   Lunch

14:00-15:00   Presentations of project ideas and  discussion

15:00-15:30   Coffee break

Download program