ML: Bio-inspired Learning
Bio-inspiriertes Lernen erforscht Berechnungsmodelle und Algorithmen, die von biologischen Systemen wie neuronalen Netzen, Evolution und Schwarmintelligenz inspiriert sind. Dieser Ansatz zielt darauf ab, effiziente, anpassungsfähige und intelligente Systeme zu schaffen, indem die Problemlösungsstrategien der Natur nachgeahmt werden, und bringt Bereiche wie KI, Robotik und Optimierung voran.
ML: Probabilistic Methods
Diese Gruppe befasst sich mit Herausforderungen in den Bereichen Sicherheit, Infrastruktur und Nachhaltigkeit. Von der Notfallerkennung in Haushalten bis hin zur Trinkwasserprognose, der Optimierung des Stromnetzes und der Echtzeit-Gesundheitsüberwachung kombinieren sie innovative Berechnungsmethoden mit praktischen Anwendungen. Gemeinsam wollen sie wirkungsvolle Lösungen für dringende gesellschaftliche und ökologische Bedürfnisse liefern.
ML: Deep Generative Models & Autoencoders
Diese Gruppe konzentriert sich auf die Entwicklung von KI-Systemen, die lernen, Daten zu generieren und zu rekonstruieren, um komplexe Muster und Strukturen aufzudecken. Solche Modelle sind essenziell für Fortschritte in der Datenkompression, Anomalieerkennung und kreativen KI-Anwendungen. Sie treiben Innovationen in Bereichen wie Bildsynthese, Sprachgenerierung und wissenschaftlichen Simulationen voran.
ROB: Human-Robot Interaction
Diese Gruppe erforscht die Dynamik zwischen Mensch und Roboter, um Systeme zu entwickeln, die intuitiv, sicher und effektiv sind. Diese Forschung ist entscheidend, um die Robotik in Bereichen wie Gesundheitswesen, Industrie und Alltag voranzubringen und sicherzustellen, dass Roboter menschliche Fähigkeiten erweitern, Vertrauen fördern und Zusammenarbeit ermöglichen.
SNLP: Bias, Fairness, Transparency & Privacy
Diese Gruppe untersucht, wie sich Verzerrungen reduzieren, Fairness gewährleisten, Transparenz verbessern und der Datenschutz in KI-gestützten Sprachtechnologien schützen lässt. Diese Arbeit ist entscheidend, um ethische, vertrauenswürdige und inklusive KI-Systeme zu entwickeln, die einen positiven Einfluss auf die Gesellschaft haben.
Energy-efficient AI
Der Klimawandel und seine Folgen sind eines der drängendsten Themen der heutigen Gesellschaft, daher ist es nur natürlich, dass KI-Algorithmen eine entscheidende Rolle bei der effizienten Nutzung unserer Energie spielen sollten.
ML: Auto ML and Hyperparameter Tuning
Automatisiertes maschinelles Lernen kann wertvolle Zeit und Energie sparen, wenn ML-Algorithmen verwendet werden. Durch die kontinuierliche Anpassung von Hyperparametern kann die Leistung erheblich gesteigert werden.
PEAI: Bias, Fairness & Equity
Die Berücksichtigung von Fairness und Vorurteilen in Algorithmen ist bei der Integration von Technologie in unsere Gesellschaft von großer Bedeutung.
SNLP: Sentiment Analysis and Stylistic Analysis
Die zunehmende Verwendung von LLMs erfordert eine genauere Analyse von Stil und Stimmung, um sicherzustellen, dass die Modelle das Gewünschte genau wiedergeben.
SNLP: Machine Translation & Multilinguality/Multimodality
AAAI Description Die Entwicklung von LLM für mehrere Sprachen, einschließlich Sprachen mit geringer Ressourcenausstattung, ist unerlässlich, um den weltweiten Zugang zu neuen Technologien zu gewährleisten.
