• Feature Selection in Data Streams/ Online Feature Selection
• Stability/Robustness of Feature Selection Algorithms
• Concept Drift Detection and Adaptation
• Local Additive Attributions and Explanations in Dynamic Data Streams
• Efficient, Powerful and Interpretable Online Predictive Models
• Meaningful and Standardized Evaluation of Online Learning Methods

Detaillierte Informationen zu unserer Forschungsarbeit sind hier verfügbar.

2022

Deep Neural Networks and Tabular Data: A Survey von Vadim Borisov, Tobias Leemann, Kathrin Sessler, Johannes Haug, Martin Pawelczyk und Gjergji Kasneci wurde bei IEEE Transactions on Neural Networks and Learning Systems (TNNLS) angenommen.

Towards Reliable Machine Learning in Evolving Data Streams von Johannes Haug wurde als Dissertation von der Mathematisch-Naturwissenschaftlichen Fakultät der Universität Tübingen veröffentlicht.

Change Detection for Local Explainability in Evolving Data Streams von Johannes Haug, Alexander Braun, Stefan Zürn und Gjergji Kasneci wurde bei CIKM 2022 angenommen(github).

Standardized Evaluation of Machine Learning Methods for Evolving Data Streams von Johannes Haug, Effi Tramountani und Gjergji Kasneci wurde auf arXiv veröffentlicht. Das zugehörige float-evaluation Framework (Python) ist auf Github oder Pypi verfügbar.

Dynamic Model Tree for Interpretable Data Stream Learning von Johannes Haug, Klaus Broelemann und Gjergji Kasneci wurde bei ICDE 2022 angenommen (github).

2021

Deep Neural Networks and Tabular Data: A Survey von Vadim Borisov, Tobias Leemann, Kathrin Seßler, Johannes Haug, Martin Pawelczyk und Gjergji Kasneci wurde auf arXiv veröffentlicht.

TüEyeQ, a rich IQ test performance data set with eye movement, educational and socio-demographic information von Enkelejda Kasneci, Gjergji Kasneci, Tobias Appel, Johannes Haug, Franz Wortha, Maike Tibus, Ulrich Trautwein und Peter Gerjets wurde beim Nature Scientific Data Journal (8, 2021) angenommen (dataset, github).

On Baselines for Local Feature Attributions von Johannes Haug, Stefan Zürn, Peter El-Jiz und Gjergji Kasneci wurde beim Workshop on Explainably Agency in AI @AAAI 2021 angenommen (Abstract, .bib-file, github).

2020

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).

2019

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

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