Fachbereich Informatik

Team

DSAR wird von Prof. Dr. Gjergji Kasneci geleitet. Lerne uns kennen.

Forschung

Wir betreiben Forschung in Data Science. Hier erfährst du mehr.

Lehre

Wir bieten regelmäßig Vorlesungen und Seminare an. Schaue vorbei.

Thesis

Abschlussarbeit in ML?! Schaue dir unsere offenen Themen an.

Was wir tun...

Die Absicherung der Qualität moderner Verfahren des Maschinellen Lernens hinsichtlich Vorhersagegüte, Robustheit, Unvoreingenommenheit und Nachvollziehbarkeit stellt in praktischen Anwendungsfällen oft eine Herausforderung dar. Unsere Forschungsschwerpunkte sind:

  1. Nachvollziehbare Generierung und Auswahl von Merkmalen/Features für komplexe Lernverfahren (z.B. für den Einsatz in Online-Szenarien und unter Berücksichtigung unterschiedlicher Unsicherheitsfaktoren).
  2. Robuste Vorhersage- und Erklärbarkeitsmechanismen unter Berücksichtigung verschiedener Fairnessdefinitionen.
  3. Techniken zur Quantifizierung und Verbesserung der Qualität von (Trainings-)Daten.

Neuigkeiten

Oktober 2021
Paper @ NeurIPS workshop - eXplainable AI approaches for debugging and diagnosis

"A Robust Unsupervised Ensemble of Feature-Based Explanations using Restricted Boltzmann Machines" von Vadim Borisov, Johannes Meier, Johan Van den Heuvel, Hamed Jalali und Gjergji Kasneci wurde beim Workshop zu "eXplainable AI approaches for debugging and diagnosis" der NeurIPS 2021 Konferenz angenommen. Das Paper basiert auf einer Arbeit aus unserem EFML Seminar im Sommersemsester 2021.

Oktober 2021
Survey Paper: Deep Learning und Tabular Data

Unsere Literatur-Review "Deep Neural Networks and Tabular Data: A Survey" von Vadim Borisov, Tobias Leemann, Kathrin Seßler, Johannes Haug, Martin Pawelczyk und Gjergji Kasneci ist nun auf arXiv verfügbar.

Juli 2021
Paper @ NeurIPS

Unser Paper "CARLA: A Python Library to Benchmark Algorithmic Recourse and Counterfactual Explanation Algorithms" von Martin Pawelczyk, Sascha Bielawski, Johan Van den Heuvel, Tobias Richter und Gjergji Kasneci wurde im NeurIPS 2021 Datasets and Benchmarks Track angenommen.

Juli 2021
Paper @ ISMAR

"TEyeD: Over 20 million real-world eye images with Pupil, Eyelid, and Iris 2D and 3D Segmentations, 2D and 3D Landmarks, 3D Eyeball, Gaze Vector, and Eye Movement Types" von Wolfgang Fuhl, Gjergji Kasneci und Enkelejda Kasneci wurde beim IEEE International Symposium on Mixed and Augmented Reality (ISMAR) 2021 angenommen.

Juni 2021
Article @ Computers in Human Behavior Reports

"Robust Cognitive Load Detection from Wrist-Band Sensors" von Vadim Borisov, Enkelejda Kasneci und Gjergji Kasneci wurde von Computers in Human Behavior Reports angenommen.

Juni 2021
Article @ Nature Scientific Data

"TüEyeQ, a rich IQ test performance data set with eye movement, educational and socio-demographic information" wurde in der aktuellen Ausgabe des Nature Scientific Data Journals veröffentlicht. Die Arbeit resultiert aus einer Kollaboration von Enkelejda Kasneci, Gjergji Kasneci, Tobias Appel, Johannes Haug, Franz Wortha, Maike Tibus, Ulrich Trautwein & Peter Gerjets.

Dezember 2020
Paper @ AAAI 2021 Workshop on Explainable Agency in AI

"On Baselines for Local Feature Attributions" von Johannes Haug, Stefan Zürn, Peter El-Jiz und Gjergji Kasneci wurde beim Workshop zu "Explainable Agency in AI" der AAAI 2021 Konferenz angenommen. Das Paper basiert auf einer Arbeit aus unserem EFML Seminar im Sommersemsester 2020.

Oktober 2020
1. Preis im Wettbewerb für maschinelles Lernen - Cognitive Load Monitoring @ UbiComp 2020

Wir freuen uns, dass unsere Gruppe auf der UniComp 2020 den ersten Preis im Wettbewerb für maschinelles Lernen "Cognitive Load Monitoring" gewonnen hat!

Oktober 2020
Paper @ ICPR 2020

"Aggregating Dependent Gaussian Experts in Local Approximation" von Hamed Jalali und Gjergji Kasneci wurde bei ICPR 2020 angenommen.

Oktober 2020
Paper @ ICPR 2020

"Learning Parameter Distributions to Detect Concept Drift in Data Streams" von Johannes Haug und Gjergji Kasneci wurde bei ICPR 2020 angenommen.

Mai 2020
Paper @ KDD 2020

"Leveraging Model Inherent Variable Importance for Stable Online Feature Selection" von Johannes Haug, Martin Pawelczyk, Klaus Broelemann und Gjergji Kasneci wurde bei KDD 2020 angenommen.

Mai 2020
Paper @ UAI 2020

On Learning Invariant Counterfactual Explanations under Predictive Multiplicity von Martin Pawelczyk, Klaus Broelemann und Gjergji Kasneci wurde bei UAI 2020 angenommen.

Mai 2020
Best-Paper Award @ Symposium on Eye Tracking Research and Applications, 2020

A MinHash approach for fast scanpath classification von David Geisler, Nora Castner, Gjergji Kasneci und Enkelejda Kasneci wurde bei ETRA (2020).

April 2020
Paper @ Archives of Data Science, Series A

PLAY: A Profiled Linear Weighting Scheme for Understanding the Influence of Input Variables on the Output of a Deep Artificial Neural Network von Torsten Dietl, Gjergji Kasneci, Johannes Fürnkranz und Eneldo Loza Mencía wurde bei Archives of Data Science, Series A angenommen.

Januar 2020
Paper @ WWW 2020

"Learning model agnostic actionable counterfactual explanations for tabular data" von Martin Pawelczyk, Klaus Broelemann und Gjergji Kasneci wurde bei WWW 2020 akzeptiert. Im Paper wird eine neue Methode zur Generierung von counterfactual examples entwickelt.

Januar 2020
Acceptance @ WIRE's Data Mining and Knowledge Discovery Journal

Ein einleitender Survey "Bias in Data-driven AI Systems - An Introductory Survey" wurde bei WIRE's Data Mining and Knowledge Discovery Journal akzeptiert. Dies ist unsere erste multidisziplinäre Publikation im Kontext des EU "NoBias" Projekts: https://nobias-project.eu/index.php/partners/