Explainable Artificial Intelligence Group

"Erklärbare, vertrauenswürdige KI-gestützte Produkte, die in der Lage sind, die wertvollen Informationen aus komplexen, multimodalen Daten zu nutzen und nahtlos mit menschlichen Experten und Benutzern zusammenzuarbeiten, sind der Schlüssel für die erfolgreiche Anwendung und Verbreitung von KI in der Praxis und für die Nutzung des enormen Potenzials von KI, um Branchen zu revolutionieren und der Menschheit zugute zu kommen."
Expertise
- Maschinelles Lernen
- Deep Learning
- Erklärbare/vertrauenswürdige KI
- Multimodale KI
- Gesundheitswesen
Der Forschungsschwerpunkt der XAI-Gruppe liegt auf Methoden des maschinellen Lernens und Deep Learning, insbesondere erklärbare, vertrauenswürdige und multimodale KI, um komplexe Entscheidungs- und Wissensentdeckungsaufgaben in verschiedenen Bereichen zu lösen. Unser ultimatives Ziel ist es, die erfolgreiche Anwendung dieser Methoden in Praxisprodukten, Hand in Hand mit Fachexperten und Benutzern, zu ermöglichen. Konkret befassen wir uns mit der anspruchsvollen Forschungsaufgabe, KI-gestützte Systeme zu entwickeln, die multimodale Daten effektiv nutzen, menschenverständliche Informationen über ihre Ausgaben bereitstellen und nahtlos mit Benutzern interagieren können. Reinforcement Learning und kausaler Schlussfolgerung sind zwei weitere Bereiche, die für sequentielle Entscheidungsfindung und Wissensentdeckung mit Mensch in der Schleife sehr relevant sind. Während wir bereit sind Herausforderungen in verschiedenen Bereichen anzunehmen, sind wir jedoch insbesondere an der Vorantrieben, Verbesserung und Digitalisierung des Gesundheitsbereichs interessiert. Wir stellen uns das vor, indem wir, zum einen, erklärbare KI-gestützte Produkte für die Krankheitsdiagnostik und -behandlung entwickeln und, zum anderen, transparente KI-gestützte Ansätze zum Verständnis von Gesundheit und Krankheiten entwickeln, beides in Zusammenarbeit mit den Anwendern (Experten und Patienten) in der Schleife, sicher und verantwortungsvoll.
Angebote
- Einblick: Keynotes, Trainings
- KI-Beratung: Workshops, Expertenunterstützung, Beratung, Technikfolgenabschätzung
- Forschung und Entwicklung: kleine bis grosse Forschungsprojekte, Drittmittelforschung, studentische Projekte, praxiserprobte Prototypen
Team
Projekte
Publikationen
- Seite 01
- Seite 02
- Nächste Seite
-
Burger, Manuel; Sergeev, Fedor; Londschien, Malte; Chopard, Daphné; Yèche, Hugo; Gerdes, Eike Christian; Leshetkina, Polina; Morgenroth, Alexander; Babür, Zeynep; Bogojeska, Jasmina; Faltys, Martin; Kuznetsova, Rita; Rätsch, Gunnar,
2024.
Towards large-scale clinical multi-variate time-series datasets [Paper].
In:
NeurIPS Workshop on Time Series in the Age of Large Models.
38th Conference on Neural Information Processing Systems (NeurIPS), Vancouver, Canada, 10-15 December 2024.
OpenReview.
Verfügbar unter: https://doi.org/10.21256/zhaw-32746
-
Burger, Manuel; Sergeev, Fedor; Londschien, Malte; Chopard, Daphne; Yèche, Hugo; Gerdes, Eike Christian; Leshetkina, Polina; Morgenroth, Alexander; Babür, Zeynep; Bogojeska, Jasmina; Faltys, Martin; Kuznetsova, Rita; Rätsch, Gunnar,
2024.
Towards foundation models for critical care time series [Paper].
In:
AIM-FM: Advancements In Medical Foundation Models: Explainability, Robustness, Security, and Beyond (AIM-FM Workshop @ NeurIPS'24), Vancouver, Canada, 14 December 2024.
arXiv.
Verfügbar unter: https://doi.org/10.48550/arXiv.2411.16346
-
Zysset, Annina; Feer, Sonja; Saaro, Felix Matthias; Bächli, Mirjam; Niemann, Steffen; Meier, Delphine; Seiler, Michelle; Bogojeska, Jasmina; Dratva, Julia,
2024.
Machine learning powered patient records analysis for injury monitoring in children and adolescents.
In:
17th European Public Health Conference, Lisbon, Portugal, 12-15 November 2024.
Oxford University Press.
S. iii162.
Verfügbar unter: https://doi.org/10.1093/eurpub/ckae144.413
-
Feer, Sonja; Zysset, Annina; Saaro, Felix Matthias; Bächli, Mirjam; Niemann, Steffen; Meier, Delphine; Seiler, Michelle; Bogojeska, Jasmina; Dratva, Julia,
2024.
Machine learning approach to injury monitoring in children and adolescents.
In:
17th European Public Health Conference, Lisbon, Portugal, 12-15 November 2024.
Oxford University Press.
S. iii24.
Verfügbar unter: https://doi.org/10.1093/eurpub/ckae144.059
-
Kimmich, Maximilian; Bartezzaghi, Andrea; Bogojeska, Jasmina; Malossi, Christiano; Vu, Ngoc Thang,
2024.
Combining data generation and active learning for low-resource question answering [Paper].
In:
33rd International Conference on Artificial Neural Networks (ICANN), Lugano, Switzerland, 17-20 September 2024.
Switzerland:
Springer.
S. 131-147.
Lecture Notes in Computer Science (LNCS) ; 15022.
Verfügbar unter: https://doi.org/10.1007/978-3-031-72350-6_9