PROBABILISTIC AI
Research Group
Die Probabilistic AI Research Group (PAIR)
Mission
Unsere Mission ist es, KI-Systeme zu entwickeln, die verlässliche Entscheidungsfindung unter Unsicherheit unterstützen und verantwortungsvoll in realen Anwendungen eingesetzt werden können.
Zentrale Forschungsgebiete
- Probabilistisches Deep Learning, Large Language Models und agentische KI
- Predictive Modeling für tabellarische, bild-, text- und multimodale Daten
- Statistische Modellierung, Bayes'sche Inferenz und Unsicherheitsquantifizierung
- Kausale Modellierung
Die Probabilistic AI Research Group betreibt angewandte Forschung an der Schnittstelle von Statistik, erklärbarer künstlicher Intelligenz und Kausalität. Während moderne KI-Systeme beeindruckende Vorhersageleistungen erzielen, wird ihr praktischer Einsatz häufig durch unzureichende Unsicherheitsquantifizierung, mangelnde Robustheit und Interpretierbarkeit sowie fehlendes kausales Verständnis eingeschränkt.
Wir begegnen diesen Einschränkungen, indem wir Deep Learning und Large Language Models mit interpretierbaren statistischen Modellen, valider Unsicherheitsschätzung sowie Methoden zur kausalen Entdeckung und Inferenz kombinieren. Unsere Arbeit ist sowohl methodisch fundiert als auch anwendungsorientiert und verbindet wissenschaftliche Exzellenz mit realem Wirkungspotenzial.
Die PAIR-Gruppe setzt auf kollaborative, drittmittelgeförderte Forschung in engem Austausch mit akademischen und industriellen Partnern.
Zentrale Anwendungsbereiche umfassen
- Medizinische KI und KI im Gesundheitswesen
- Energiebedarfsmanagement und erneuerbare Energiesysteme
- Predictive modeling und Entscheidungsunterstützung unter Unsicherheit in komplexen Systemen
Ausgewählte frühere Arbeiten und Beispielprojekte
-
Outcome prediction and individualized treatment effect estimation in patients with large vessel occlusion stroke
SWITCH (2025) -
Interpretable Neural Causal Models with TRAM-DAGs
CLEAR (2025) -
Large language models to process, analyze, and synthesize biomedical texts: a scoping review
Discover Artificial Intelligence (2024)
-
Bernstein flows for flexible posteriors in variational Bayes
AStA (2024) -
Deep learning versus neurologists: functional outcome prediction in LVO stroke patients undergoing mechanical thrombectomy
Stroke (2023) -
Short-term density forecasting of low-voltage load using Bernstein-polynomial normalizing flows
IEEE Transactions on Smart Grid (2023)
Ausgewählte Vorträge
Going beyond explainability in multi-modal AI: Towards causal decision support in stroke research
Vortrag im Rahmen des Fachbereichskolloquiums Informatik und Informationswissenschaft an der Universität Konstanz.
Einige Abschnitte wurden aufgrund technischer Probleme oder zur Entfernung von Publikumsfragen aus der Aufzeichnung gekürzt.
Credit: Universität Konstanz, KIM – Lecture Recording and Media Production
Mitglieder
Publikationen
Loading publications...