Fachbereich Informatik

Prof. Dr. Gjergji Kasneci

Nach meiner Promotion im Bereich Graph-based Mining und Retrieval am Max-Planck-Institut für Informatik in Saarbrücken (2009) kam ich als Postdoktorand zu Microsoft Research in Cambridge, Großbritannien. Dort arbeitete ich an Verfahren der probabilistischen Inferenz in Wissensdatenbanken. 2011 trat ich dem Hasso-Plattner-Institut in Potsdam bei, an welchem ich die Forschungsgruppe Web Mining und Analytics geleitet habe. Mitte 2014 bin ich in die SCHUFA Holding AG eingetreten, wo ich derzeit die Position des CTO innehabe und den Bereich Innovation und strategische Analyse leite. Seit April 2018 leite ich zudem die Forschungsgruppe Data Science und Analytics an der Universität Tübingen.

Forschungsinteressen

  • Feature engineering: Die Extraktion und Entwicklung sinnvoller und erklärbarer Merkmale/Features
  • Predictive modelling: Die Entwicklung robuster und erklärbarer Vorhersagemodelle
  • Quality assessment of training data sets: Entwicklung von Techniken zur Quantifizierung der Qualität von Trainingsdaten

Publikationen

2020

Aggregating Dependent Gaussian Experts in Local Approximation von Hamed Jalali und Gjergji Kasneci wurde bei ICPR 2020 angenommen (ein Link zum Paper folgt in Kürze).

Learning Parameter Distributions to Detect Concept Drift in Data Streams von Johannes Haug und Gjergji Kasneci wurde bei ICPR 2020 angenommen (Abstract, .bib-file, github).

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 (Abstract, .bib-file, github).

On Learning Invariant Counterfactual Explanations under Predictive Multiplicity von Martin Pawelczyk, Klaus Broelemann und Gjergji Kasneci wurde bei UAI 2020 angenommen (Abstract, .bib-file).

A MinHash Approach for Fast Scanpath Classification von David Geisler, Nora Castner, Gjergji Kasneci und Enkelejda Kasneci wurde bei ETRA 2020 angenommen und gewann den Best-Paper Award (Abstract.bib-file).

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 and Eneldo Loza Mencía wurde bei Archives of Data Science, Series A angenommen (Abstract, .bib-file).

Learning Model Agnostic Counterfactual Explanations for Tabular Data von Martin Pawelczyk, Klaus Broelemann und Gjergji Kasneci wurde bei WWW 2020 angenommen (Abstract.bib-file).

Bias in Data-driven AI Systems - An Introductory Survey von Ntoutsi et al. wurde bei WIRE's Data Mining and Knowledge Discovery Journal akzeptiert. Dies ist unsere erste multidisziplinäre Publikation im Kontext des EU "NoBias" Projekts (Abstract, .bib-file).

Training Decision Trees as Replacement for Convolution Layers von Wolfgang Fuhl, Gjergji Kasneci, Wolfgang Rosenstiel und Enkelejda Kasneci wurde bei AAAI 2020 angenommen und ist derzeit auf arXiv veröffentlicht (Abstract, .bib-file).

2019

Towards User Empowerment (2019) von Martin Pawelczyk, Johannes Haug, Klaus Broelemann und Gjergji Kasneci wurde beim NeurIPS 2019 (HCML workshop) angenommen und auf arXiv veröffentlicht (Abstract, .bib-file).

CancelOut: A Layer for Feature Selection in Deep Neural Networks (2019) von Vadim Borisov, Johannes Haug und Gjergji Kasneci wurde bei ICANN 2019 veröffentlicht (Abstract, .bib-file).

A Gradient-Based Split Criterion for Highly Accurate and Transparent Model Trees (2019) von Klaus Broelemann und Gjergji Kasneci wurde bei IJCAI 2019 veröffentlicht (Abstract, .bib-file).

Validation Loss for Landmark Detection (2019) von Wolfgang FuhlThomas Kübler, Rene Alexander Lotz, Gjergji Kasneci, Wolfgang Rosenstiel und Enkelejda Kasneci wurde als Preprint bei arXiv veröffentlicht (Abstract, .bib-file).