• Das Institut für Informationssysteme (Leitung: Prof. Dr. Ralf Möller) arbeitet an den stochastisch-relationalen Grundlagen der Modellierung in der KI und an der automatischen Gewinnung von probabilistischen relationalen Modellen aus Daten (Data- und Text-Mining, Stochastic Relational Maschine Learning, Web und Data Science) sowie an effizienten Anfragebeantwortungs- und Schlussfolgerungsverfahren bezogen auf komplexe Modelle (Wissensbasen), große Datenmengen und ausdrucksstarken Ontologie-Beschreibungssprachen. IFIS bietet eine breite Palette an Lehrveranstaltungen in den Bereichen KI und Data Science und stellt regelmäßig die Ergebnisse seiner Forschungsarbeiten auf deutschen und internationalen KI-Konferenzen und Zeitschriften vor.

1. Marcel Gehrke, Tanya Braun, Ralf Möller: Taming Reasoning in Temporal Probabilistic Relational Models in: Proceedings of the 24th European Conference on Artificial Intelligence (ECAI 2020), 2020
2. Özçep, Özgür Lütfü, Leemhuis, Mena, Wolter, Diedrich: Cone semantics for logics with negation, in: Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence, IJCAI-20, 2020
3. Marcel Gehrke, Tanya Braun, Ralf Möller: Lifted Temporal Most Probable Explanation. In: Proc. of the International Conference on Conceptual Structures, 2019.
4. F. Kuhr, R. Möller: Constructing and Maintaining Corpus-Driven Annotations. In: 2019 IEEE 13th International Conference on Semantic Computing (ICSC), p.462-467, 2019.
5. Tanya Braun, Ralf Möller: Fusing First-order Knowledge Compilation and the Lifted Junction Tree Algorithm. In: 8th International Workshop on Statistical Relational AI at the 27th International Joint Conference on Artificial Intelligence, 2018.
6. Tanya Braun, Ralf Möller: Parameterised Queries and Lifted Query Answering. In: IJCAI-18 Proceedings of the 27th International Joint Conference on Artificial Intelligence, p.4980-4986, 2018.
7. Alexander Motzek, Ralf Möller: Indirect Causes in Dynamic Bayesian Networks Revisited. In: Journal of Artificial Intelligence Research (JAIR), Vol.59, p.1-58, 2017.
8. Özgür L. Özçep, Felix Kuhr, Ralf Möller: Influence-Based Independence. In: Proc. 32nd Int. Florida Artificial Intelligence Research Society Conference (FLAIRS-19), 2019.

• Das Institut für IT Sicherheit (Leitung: Prof. Dr. Thomas Eisenbarth) erforscht und verwendet Methoden des maschinellen Lernens zur Sicherheitsanalyse und Evaluation von Sicherheitsanwendungen. Darüber hinaus beschäftigt sich das Institut neuerdings mit der Manipulierbarkeit dieser Algorithmen, dem Adversarial Machine Learning, sowie dessen Verhinderung und Auswirkungen in sicherheitskritischen Anwendungen. Komplementär arbeitet das Institut ebenfalls daran, Lernverfahren so anzupassen, dass Daten einzelner Personen geschützt bleiben.

• Das Institut für Mathematik (Leitung: Prof. Dr. Jürgen Prestin) arbeitet unter anderem in den Bereichen Wavelet- und Zeit-Frequenz-Analysis, symbolische Dynamik sowie Modellierung, Parameterschätzung und Simulation mit Anwendung auf komplexe Daten in den Bereichen Medizin und Finance. Im Fokus stehen insbesondere die gezielte Extraktion von Information aus Daten und die Gewinnung geeigneter Features für die Detektion und Klassifikation von Systemzuständen.

• Das Institut für mathematische Methoden der Bildverarbeitung (Leitung: Prof. Dr. Jan Modersitzki) erforscht Methoden der KI in den Bereichen medizinischer Bildverarbeitung und Optimierung. In der Bildverarbeitung stehen dabei KI-Methoden zur Klassifikation, Mustererkennung und Wissensgenerierung klinischer Daten im Vordergrund, in der Optimierung KI-basierte Ansätze zur Beschleunigung und Robustheit von Verfahren. Zudem ist das Institut das Brückeninstitut zum Fraunhofer-Institut für Digitale Medizin MEVIS. MEVIS erforscht und entwickelt Verfahren der KI umfänglich u.a. in den Bereichen Entscheidungsunterstützung, klinische Workflow-Unterstützung, Infrastruktur für KI-Software, Translation KI-basierter Systeme.

• Das Institut für Medizinische Elektrotechnik (Leitung: Prof. Dr. Philipp Rostalski) forscht und lehrt an Methoden der statistischen Lerntheorie mit Anwendungen in der (Bio-) Signalverarbeitung, der Parameterschätzung sowie der Regelung von sicherheitskritischen, autonomen Systemen. Methodischer Schwerpunkt liegt auf bayesschen Algorithmen basierend auf probabilistischen graphischen Modellen sowie Gauß-Prozessmodellen und der darauf basierenden Anwendung von Optimierungsverfahren. In verschiedenen Industrieprojekten, sowie in zahlreichen Veröffentlichungen und Patenten kommt die Praxisrelevanz dieser Forschung zum Ausdruck.

• Das Institut für Medizinische Informatik (Leitung: Prof. Dr. Heinz Handels) arbeitet seit Jahren in dem Bereich der KI-basierten medizinischen Bild- und Signalverarbeitung und entwickelt diagnose- und therapieunterstützende Methoden und Systeme unter Verwendung neuester maschineller Lernverfahren (Neuronale Netze, Deep Learning  etc.). Diese Themen werden in verschiedenen drittmittelgeförderten Forschungsprojekten und Industriekooperationen bearbeitet.

• Am Institut für Multimediale und Interaktive Systeme (Leitung: Prof. Dr. Michael Herczeg) wird seit Jahren im Bereich der symbolischen KI geforscht. Das zentrale Thema dabei ist „Explainable AI“, d.h. die Fähigkeit von KI-Systemen Nutzern ihre Schlussfolgerungen verständlich zu erklären und dadurch ein hohes Maß an Transparenz und Vertrauen vor allem in sicherheitskritischen komplexen Domänen wie Medizin oder Mobilität  aber auch in alltäglichen datenreichen Smart Environments wie Ambient Assisted Living, Smart Buildings oder Smart Cities zu gewährleisten.

• Das Institut für Neuro- und Bioinformatik (Leitung: Prof. Dr. Thomas Martinetz) forscht und lehrt seit Jahren auf dem Gebiet des maschinellen Lernens und der Neuronalen Netze (Deep Learning) in den Bereichen der Bildverarbeitung und der Mustererkennung mit Anwendungen in Medizin, Biologie und Industrie. Neben langjährigen Industriekooperationen gingen mehrere erfolgreiche Start-Ups im Bereich der KI aus dem Institut hervor.
  
  Madany Mamlouk, Amir and Haker, Martin and Martinetz, Thomas: Perception Space Analysis: From color vision to odor perception. International Joint Conference on Neural Networks (IJCNN), pp. 689-696, 2017 
  
  Boris Knyazew and Erhardt Barth and Thomas Martinetz: Recursive autoconvolution for unsupervised learning of convolutional neural networks. 2017 International Joint Conference on Neural Networks (IJCNN), pp. 2486-2493, 2017 
  
  Stanislau Semeniuta and Aliaksei Severyn and Erhardt Barth: A Hybrid Convolutional Variational Autoencoder for Text Generation. in EMNLP, pp. 627-637, Association for Computational Linguistics, 2017 
  
  Stanislau Semeniuta and Aliaksei Severyn and Erhardt Barth: Recurrent Dropout without Memory Loss. in COLING, pp. 1757-1766, ACL, 2016 
  
  Lars Hertel and Erhardt Barth and Thomas Käster and Thomas Martinetz: Deep Convolutional Neural Networks as Generic Feature Extractors. in Proc. 2015 IEEE International Joint Conference on Neural Networks (IJCNN), Killarney, Ireland, 2015 
  
  Schütze, Henry and Barth, Erhardt and Martinetz, Thomas: Learning Orthogonal Sparse Representations by Using Geodesic Flow Optimization. in IJCNN 2015 Conference Proceedings, pp. 15540:1-8, 2015 

• Das Institut für Robotik und Kognitive Systeme (Leitung: Prof. Dr. Achim Schweikard) forscht und lehrt seit Gründung (2002) an den Themen Robotik und Künstliche Intelligenz in Industrie und Medizin. Zahlreiche Technologien in den Bereichen Radiochirurgie, Orthopädische Chirurgie und Neurochirurgie wurden von uns entwickelt und in Zusammenarbeit mit Firmen in den vollen weltweiten klinischen Routineeinsatz gebracht.
  

   

  Daniel Tanneberg, Jan Peters and Elmar Rueckert, Intrinsic Motivation and Mental Replay enable Efficient Online Adaptation in Stochastic Recurrent Networks (2019), in: Neural Networks - Elsevier, 109(67-80)

  Nils Rottmann, Ralf Bruder, Achim Schweikard and Elmar Rueckert, Loop Closure Detection in Closed Environments, European Conference on Mobile Robots (ECMR 2019), 2019 

  Adrian Sosic, Elmar Rueckert, Jan Peters and Abdelhak M Zoubir, Inverse Reinforcement Learning via Nonparametric Spatio-Temporal Subgoal Modeling (2018), in: Journal of Machine Learning Research (JMLR)

  Elmar Rueckert, Learning to Categorize Bug Reports with LSTM Networks, in: Proceedings of the International Conference on Advances in System Testing and Validation Lifecycle (VALID), Nice, France, pages 6, XPS (Xpert Publishing Services), 2018

• Das Institut für Signalverarbeitung (Leitung: Prof. Dr. Alfred Mertins) forscht und lehrt seit vielen Jahren auf dem Gebiet der Signal- und Datenverarbeitung mittels Maschinellen Lernens. Insbesondere Deep-Learning-Methoden finden dabei Anwendung in der Biosignalanalyse, der akustischen Ereigniserkennung und der Bildrekonstruktion aus gestörten Messungen.
  
  Koch, P., Brügge, N., Phan, H., Maass, M. and Mertins, A.: Forked Recurrent Neural Network for Hand Gesture Classification Using Inertial Measurement Data in Proc. 44 th IEEE Intl. Conf. on Acoustics, Speech and Signal Processing (ICASSP 2019), Brighton, UK, May, 2019 
  
  Phan, H., Chen, O. Y., Koch, P., Pham, L., McLoughlin, I., Mertins, A. and De Vos, M.: Unifying Isolated and Overlapping Audio Event Detection with Multi-Label Multi-Task Convolutional Recurrent Neural Networks in Proc. 44 th IEEE Intl. Conf. on Acoustics, Speech and Signal Processing (ICASSP 2019), Brighton, UK, May, 2019 
  
  Huy Phan and Lars Hertel and Marco Maass and Philipp Koch and Radoslaw Mazur and Alfred Mertins: Improved Audio Scene Classification Based on Label-Tree Embeddings and Convolutional Neural Networks. IEEE/ACM Trans. Audio, Speech, and Language Processing (TASLP), no. 25, pp. 1278-1290, 06, 2017 
  
  Lars Hertel and Huy Phan and Alfred Mertins: Comparing Time and Frequency Domain for Audio Event Recognition Using Deep Learning. in Proc. 2016 IEEE International Joint Conference on Neural Networks (IJCNN), Vancouver, Canada, 2016

• Das Institut für Softwaretechnik und Programmiersprachen (Leitung: Prof. Dr. Martin Leucker) arbeitet an Engineering-Fragestellungen für intelligente Systeme, insbesondere im Bereich der Medizintechnik und der Logistik. Hierzu werden Lernverfahren von Automaten erarbeitet, die sich zur Beschreibung des Verhaltens dieser Systeme besonders eignen und die Basis von Sicherheitsanalysen darstellen.

• Im Institut für Technische Informatik (Leitung: Prof. Dr. Mladen Berekovic) befassen sich aktuelle Projekte mit der Grundlagenforschung zu mobilen autonomen Robotern, zur Schwarmrobotik und zur Generierung von FPGA-Systemen zur effizienten Lösung von Lernproblemen.

• Das Institut für Telematik (Leitung: Prof. Dr. Stefan Fischer) arbeitet an Fragestellungen zu den Themen Internet der Dinge, Cyber-Physical Systems und Nanorobotik und -kommunkation. Dabei stehen zurzeit Selbstorganisation von intelligenten IoT-Verbünden wie bspw. die automatisierte Bildung von Ensembles im Ambient Computing mit Hilfe lernender KI-Methoden und die Organisation von In-Body Nano-Netzwerken im Vordergrund.

Das Institut für Theoretische Informatik (Leitung: Prof. Dr. Rüdiger Reischuk) beschäftigt sich unter anderem mit algorithmischen Lernverfahren sowie kausaler Inferenz. Außerdem werden Sicherheits- und Privacy-Aspekte beim Maschinellen Lernen untersucht. Mehrfach konnten in den letzten Jahren Forschungsergebnisse auf angesehenen internationalen KI-Tagungen publiziert werden.

Benito van der Zander, Maciej Liskiewicz, Johannes Textor: Separators and adjustment sets in causal graphs: Complete criteria and an algorithmic framework. Artificial Intelligence, Vol. 270, Pages 1-40, (270):1-40, 2019. 

Finding minimal d-separators in linear time and applications. In Proceedings of the 35th Conference on Uncertainty in Artificial Intelligence (UAI'19), AUAI Press, 2019

Sebastian Berndt, Maciej Liskiewicz, Matthias Lutter, Rüdiger Reischuk: Learning Residual Alternating Automata. Proc. 31st AAAI Conference on Artificial Intelligence (AAAI 2017), S. 1749-1755. AAAI Press, 2017. 

Benito Van der Zander, Maciej Liskiewicz: On Searching for Generalized Instrumental Variables. In Proceedings of the The 19th International Conference on Artificial Intelligence and Statistics (AISTATS'16), S. 1214-1222. JMLR Proceedings, 2016. 

Benito van der Zander, Maciej Liskiewicz: Separators and Adjustment Sets in Markov Equivalent DAGs. In Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence (AAAI'16), Phoenix, Arizona USA, S. 3315-3321. AAAI Press, 2016. 

Benito van der Zander, Johannes Textor, Maciej Liskiewicz: Efficiently Finding Conditional Instruments for Causal Inference. In IJCAI 2015, Proceedings of the 24th International Joint Conference on Artificial Intelligence, Buenos Aires, Argentina, July 25-31, 2015, S. 3243-3249. AAAI Press / International Joint Conferences on Artificial Intelligence, 2015.