Machine Learning of Inverse Problems: statistical inference and stochastic optimization

Bei dem Workshop handelt es sich um die Auftaktveranstaltung des Projektes „Machine Learning of inverse problems: statistical inference and stochastic optimization “, das zusammen mit Cristina Butucea und Alexandre Tsybakov, beide Universtät Paris Saclay, im Rahmen der ANR-DFG NLE 2024 (French-German Collaboration for Joint Projects in Natural, Life and Engineering Sciences) beantragt worden ist. Der Workshop wird zusammen mit Cristina Butucea und Alexandre Tsybakov sowie Sara van de Geer von der ETH Zürich organisiert.

Ziel des ANR-DFG Projektes sind verschiedene statistische Aspekte des Einsatzes von Methoden des maschinellen Lernens zur Analyse inverser Probleme. In statistischen inversen Problemen beobachtet man verrauscht die Transformation eines hochdimensionalen Signals. In dem Projekt werden aus dem maschinellen Lernen generative Methoden, Methoden der Modellwahl und sogenannte Random Forests untersucht. Bei den inversen Problemen sollen insbesondere komplexe Modellierungen untersucht werden, in denen die Transformation des Signals nichtlinear ist.

Das Programm des Workshops soll weiter gefasst sein als die Thematik in dem ANR-DFG Projekt. Gegenstand der Vorträge sind allgemein die mathematische Analyse moderner Methoden des statistischen und maschinellen Lernens im Hinblick auf ihre statistischen Kennlinien. Hierbei handelt es sich vor allem auch um Beiträge, die versuchen, aus einer Perspektive der mathematischen Statistik dazu beizutragen, den Blackbox-Charakter vieler Verfahren des statistischen und maschinellen Lernens zu durchdringen. Es gibt zurzeit einige Forschungsinitiativen in der mathematischen Statistik mit diesem Anliegen.

Kontakt:

E-Mail: mammen(at)math.uni-heidelberg.de