Die Mitglieder der Abteilung „Empirische Inferenz“ widmen sich dem Maschinellen Lernen und der Kausalen Inferenz. Sie entwickeln Algorithmen, die selbstständig Regelmäßigkeiten in Daten erkennen und daraus Schlussfolgerungen ziehen. Das primäre Ziel der Forscher*innen ist, zu verstehen, wie Lebewesen und künstliche Systeme Strukturen erkennen, um damit in der Welt zu agieren. Sie wollen dazu beitragen, dass die theoretischen Methoden des Maschinellen Lernens z.B. in der Medizin oder Astronomie Anwendung finden.
Highlight Hub
Real-time inference for binary neutron star mergers using machine learning
NatureFlow Matching for Atmospheric Retrieval of Exoplanets: Where Reliability meets Adaptive Noise Levels
Astronomy \& AstrophysicsCooperate or Collapse: Emergence of Sustainability in a Society of LLM Agents
Causally Testing Gender Bias in LLMs: A Case Study on Occupational Bias
The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning
Diffusion-based learning of contact plans for agile locomotion
Do LLMs Think Fast and Slow? A Causal Study on Sentiment Analysis
Implicit Personalization in Language Models: A Systematic Study
Redesigning Information Markets in the Era of Language Models
GraphDreamer: Compositional 3D Scene Synthesis from Scene Graphs
Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals
Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners?