Бернхард Шёлкопф

Бернхард Шёлкопф
Бернхард Шёлкопф
Рожденный	февраль 1968 г. (56 лет)
Альма-матер	Лондонский университет (1992, магистр математики) ; Тюбингенский университет (1994, диплом по физике) ; ТУ Берлина (1997, доктор компьютерных наук) ;
Известный	Машинное обучение ; Методы ядра ; Причинный вывод ;
Награды	Премия Дж. К. Аггарвала Международной ассоциации распознавания образов (2006 г.) ; Премия Макса Планка за исследования (2011) ; Премия Академии наук Берлин-Бранденбургской академии наук и гуманитарных наук (2012 г.) ; Премия Милнера (2014) ; Член Национальной академии наук Германии (Леопольдина) (2017 г.). ; Член ACM (Ассоциации вычислительной техники) (2018 г.) ; Премия Лейбница (2018). ; Премия «Причинность в статистическом образовании», Американская статистическая ассоциация ; Европейская научная премия Кёрбера (2019) ; Награды Фонда BBVA «Границы знаний» (2020) ;
	Научная карьера
Учреждения	Институт Макса Планка интеллектуальных систем
Диссертация	Опорное векторное обучение (1997)
Докторантура	Стефан Йенихен [ де ] ; Владимир Вапник ;
Докторанты	Стефани Джегелька ; Ульрика Люксбургская ;

Бернхард Шёлкопф (родился 20 февраля 1968 г.) — немецкий ученый-компьютерщик, известный своими работами в области машинного обучения, особенно в области методов ядра и причинности . Он является директором Института интеллектуальных систем Макса Планка в Тюбингене , Германия , где возглавляет отдел эмпирического вывода. Он также является доцентом ETH Zürich , почетным профессором Тюбингенского университета и Берлинского технического университета и председателем Европейской лаборатории обучения и интеллектуальных систем (ELLIS).

Исследовать

Методы ядра

Шёлкопф разработал методы SVM мирового рекорда производительности в тесте распознавания образов MNIST . , добившись на тот момент ^{[ 2 ]} С введением ядра PCA Шёлкопф и соавторы утверждали, что SVM являются частным случаем гораздо более широкого класса методов, и все алгоритмы, которые могут быть выражены в терминах скалярных произведений, могут быть обобщены на нелинейные условия с помощью того, что известно. как воспроизводящие ядра. ^{[ 3 ]}^{[ 4 ]}^{[ 5 ]} Еще одно важное наблюдение заключалось в том, что данные, на которых определяется ядро, не обязательно должны быть векторными, если матрица Грама ядра положительно определена. ^{[ 3 ]} Оба открытия вместе привели к созданию области методов ядра , охватывающей SVM и многие другие алгоритмы. Методы ядра теперь являются учебником и одной из основных парадигм машинного обучения в исследованиях и приложениях.

Разработав ядро PCA, Шёлкопф расширил его для извлечения инвариантных функций и разработки инвариантных ядер. ^{[ 4 ]}^{[ 6 ]}^{[ 7 ]} и показал, как рассматривать другие основные методы уменьшения размерности, такие как LLE и Isomap, как особые случаи . В дальнейшей работе с Алексом Смолой и другими он расширил метод SVM до регрессии и классификации с заранее заданной разреженностью. ^{[ 8 ]} и оценка квантиля/поддержки. ^{[ 9 ]} Он доказал теорему о представителе , подразумевающую, что SVM, ядро PCA и большинство других ядерных алгоритмов, регуляризованных по норме в воспроизводящем ядерном гильбертовом пространстве , имеют решения, принимающие форму расширения ядра обучающих данных, тем самым сводя бесконечномерную задачу оптимизации к конечномерный. Он участвовал в разработке вложений в ядро методов распределений для представления вероятностных распределений в гильбертовых пространствах . ^{[ 10 ]}^{[ 11 ]}^{[ 12 ]}^{[ 13 ]} со ссылками на дифракцию Фраунгофера ^{[ 14 ]} а также приложения для тестирования независимости. ^{[ 15 ]}^{[ 16 ]}^{[ 17 ]}

Причинность

Начиная с 2005 года Шёлкопф обратил своё внимание на причинный вывод . Причинные механизмы в мире порождают статистические зависимости как эпифеномены, но только последние используются популярными алгоритмами машинного обучения. Знания о причинных структурах и механизмах полезны, поскольку позволяют нам прогнозировать не только будущие данные, поступающие из того же источника, но и эффект вмешательств в систему, а также облегчая перенос обнаруженных закономерностей в новые ситуации. ^{[ 18 ]}

Шёлкопф и его коллеги рассмотрели (и в некоторых случаях решили) проблему обнаружения причинно-следственных связей для ситуации с двумя переменными. ^{[ 19 ]}^{[ 20 ]}^{[ 21 ]}^{[ 22 ]}^{[ 23 ]} и связал причинность с колмогоровской сложностью . ^{[ 24 ]}

Примерно в 2010 году Шёлкопф начал исследовать, как использовать причинность для машинного обучения, используя предположения о независимости механизмов и инвариантности. ^{[ 25 ]} Его ранние работы по причинному обучению были представлены более широкой аудитории по машинному обучению во время его лекции Познера. ^{[ 26 ]} на NeurIPS 2011, а также в программном докладе на ICML 2017. ^{[ 27 ]} Он исследовал, как использовать основные причинные структуры, чтобы сделать методы машинного обучения более устойчивыми к сдвигам распределения. ^{[ 18 ]}^{[ 28 ]}^{[ 29 ]} и систематические ошибки, ^{[ 30 ]} последнее привело к открытию ряда новых экзопланет. ^{[ 31 ]} включая K2-18b , в атмосфере которой впоследствии было обнаружено наличие водяного пара, что стало первой экзопланетой в обитаемой зоне .

Образование и трудоустройство

Шёлкопф изучал математику, физику и философию в Тюбингене и Лондоне. Его поддержал Studienstiftung , и он получил премию Мемориала Лайонела Купера за лучшую степень магистра наук. по математике в Лондонском университете . ^{[ 32 ]} Он получил диплом по физике, а затем перешел в Bell Labs в Нью-Джерси, где работал с Владимиром Вапником , который стал соруководителем его докторской диссертации в Берлинском техническом университете (со Стефаном Йахнихеном). Его диссертация, защищенная в 1997 году, получила ежегодную награду Немецкой ассоциации информатики . ^{[ 33 ]} В 2001 году, занимая должности в Берлине, Кембридже и Нью-Йорке, он основал отдел эмпирического вывода в Институте биологической кибернетики Макса Планка , который превратился в ведущий центр исследований в области машинного обучения. В 2011 году он стал директором-основателем Института интеллектуальных систем Макса Планка . ^{[ 34 ]}^{[ 35 ]}

Вместе с Алексом Смолой Шёлкопф стал соучредителем серии летних школ машинного обучения. ^{[ 36 ]} Он также стал соучредителем докторской программы Кембриджа-Тюбингена. ^{[ 37 ]} и Центр систем обучения Макса Планка-ETH. ^{[ 38 ]} В 2016 году он стал соучредителем исследовательского консорциума Cyber Valley. ^{[ 39 ]} Он участвовал в Глобальной инициативе IEEE по «Этичному дизайну». ^{[ 40 ]}

Шёлкопф является соредактором Journal of Machine Learning Research , журнала, который он помог основать, будучи частью массовой отставки редакционной коллегии Machine Learning (журнала) . Он входит в число наиболее цитируемых ученых-компьютерщиков в мире. ^{[ 41 ]} Среди выпускников его лаборатории Ульрика фон Люксбург , Карл Расмуссен, Матиас Хейн, Артур Греттон, Гуннар Ретч, Маттиас Бетге, Стефани Джегелька, Джейсон Уэстон, Оливье Буске, Оливье Шапель, Хоакин Кинонеро-Кандела и Себастьян Новозин. ^{[ 42 ]}

По состоянию на конец 2023 года Шёлкопф также является научным консультантом французской исследовательской группы Kyutai, которую финансируют Ксавье Ниль , Родольф Сааде , Эрик Шмидт и другие. ^{[ 43 ]}

Награды

Награды Шёлкопфа включают Премию Милнера Королевского общества и совместно с Изабель Гийон и Владимиром Вапником премию Фонда BBVA «Границы знаний» в категории «Информационные и коммуникационные технологии». Он был первым учёным, работающим в Европе, получившим эту награду. ^{[ 44 ]}

Ссылки

^ Премия «Причинно-следственная связь в статистическом образовании» . www.amstat.org .
^ Декост, Деннис; Шёлкопф, Бернхард (1 января 2002 г.). «Обучение машин инвариантных опорных векторов» . Машинное обучение . 46 (1): 161–190. дои : 10.1023/А:1012454411458 . hdl : 11858/00-001M-0000-0013-E06A-A . S2CID 85843 — через Springer Link.
^ Перейти обратно: ^а ^б Шёлкопф, Бернхард (1997). Поддержка векторного обучения . Об этом сообщает GMD. Мюнхен Вена: Ольденбург. ISBN 978-3-486-24632-2 .
^ Перейти обратно: ^а ^б Шёлкопф, Бернхард; Смола, Александр; Мюллер, Клаус-Роберт (1 июля 1998 г.). «Анализ нелинейных компонентов как проблема собственных значений ядра» . Нейронные вычисления . 10 (5): 1299–1319. дои : 10.1162/089976698300017467 . ISSN 0899-7667 . S2CID 6674407 .
^ Берджес, Кристофер Дж. К. (1 июня 1998 г.). «Учебное пособие по машинам опорных векторов для распознавания образов» . Интеллектуальный анализ данных и обнаружение знаний . 2 (2): 121–167. дои : 10.1023/А:1009715923555 . S2CID 221627509 — через Springer Link.
^ Шёлкопф, П. Симард, А. Дж. Смола и В. Вапник. Предварительные знания в области ядер опорных векторов. В М. Джордане, М. Кернсе и С. Солле , редакторах, «Достижения в области нейронных систем обработки информации» 10, страницы 640–646, Кембридж, Массачусетс, США, 1998d. Массачусетский технологический институт Пресс
^ Шапель и Б. Шёлкопф. Учет инвариантов в нелинейных SVM. В Т.Г. Диттерихе, С. Беккере и З. Гахрамани, редакторах, «Достижения в области нейронных систем обработки информации» 14, страницы 609–616, Кембридж, Массачусетс, США, 2002. MIT Press.
^ Б. Шёлкопф, А. Дж. Смола, Р. К. Уильямсон и П. Л. Бартлетт. Новые алгоритмы опорных векторов. Нейронные вычисления, 12(5):1207–1245, 2000a.
^ Б. Шёлкопф, Дж. К. Платт, Дж. Шоу-Тейлор, А. Дж. Смола и Р. К. Уильямсон. Оценка поддержки многомерного распределения. Нейронные вычисления, 13(7):1443–1471, 2001b.
^ А. Греттон, К. Боргвардт, М. Раш, Б. Шёлкопф и А. Смола. Метод ядра для задачи двух выборок. Достижения в области нейронных систем обработки информации 19: 513–520, 2007 г.
^ А. Дж. Смола, А. Греттон, Л. Сонг и Б. Шёлкопф. Вложение в гильбертово пространство для распределений. Теория алгоритмического обучения: 18-я Международная конференция: 13–31, 2007 г.
^ Б. Сриперумбудур, А. Греттон, К. Фукумидзу, Б. Шёлкопф и Г. Ланкриет. Вложения в гильбертово пространство и метрики вероятностных мер. Журнал исследований машинного обучения, 11: 1517–1561, 2010 г.
^ А. Греттон, К. Боргвардт, М. Раш, Б. Шёлкопф и А. Дж. Смола. Тест ядра с двумя выборками. Журнал исследований машинного обучения, 13: 723–773, 2012 г.
^ С. Хармелинг, М. Хирш и Б. Шёлкопф. О связи между картами средних значений ядра и дифракцией Фраунгофера с применением сверхразрешения за пределами дифракционного предела. В книге «Компьютерное зрение и распознавание образов» (CVPR), страницы 1083–1090. ИИЭР, 2013 г.
^ А. Греттон, Р. Хербрих, А. Дж. Смола, О. Буске и Б. Шёлкопф. Ядерные методы измерения независимости. Журнал исследований машинного обучения, 6: 2075–2129, 2005a.
^ А. Греттон, О. Буске, А. Дж. Смола и Б. Шёлкопф. Измерение статистической зависимости с помощью норм Гильберта-Шмидта. Алгоритмическая теория обучения: 16-я Международная конференция, 2005b.
^ А. Греттон, К. Фукумидзу, Ч. Тео, Л. Сонг, Б. Шёлкопф и А. Дж. Смола. Статистический тест независимости ядра. Достижения в области нейронных систем обработки информации 20, 2007 г.
^ Перейти обратно: ^а ^б Б. Шёлкопф, Д. Янцинг, Дж. Петерс, Э. Сгурица, К. Чжан и Дж. Муйдж. О причинном и антикаузальном обучении. В Дж. Лэнгфорде и Дж. Пино, редакторах, Труды 29-й Международной конференции по машинному обучению (ICML), страницы 1255–1262, Нью-Йорк, Нью-Йорк, США, 2012. Omnipress.
^ П.О. Хойер, Д. Янцинг, Дж. М. Муйдж, Дж. Петерс и Б. Шёлкопф. Нелинейное причинно-следственное обнаружение с помощью моделей аддитивного шума. В Д. Коллере, Д. Шурмансе, Ю. Бенджио и Л. Ботту, редакторах, «Достижения в области нейронных систем обработки информации», 21, страницы 689–696, Ред-Хук, Нью-Йорк, США, 2009. Карран.
^ Д. Янцинг, П. Хойер и Б. Шёлкопф. Отличие причины от следствия на основе многомерных наблюдений. В Дж. Фурнкранце и Т. Йоахимсе, редакторах, Труды 27-й Международной конференции по машинному обучению, страницы 479–486, Мэдисон, Висконсин, США, 2010. Международное общество машинного обучения.
^ Дж. М. Муйдж, Дж. Петерс, Д. Янцинг, Дж. Цшайшлер и Б. Шёлкопф. Отличие причины от следствия с использованием данных наблюдений: методы и критерии. Журнал исследований машинного обучения, 17(32):1–102, 2016 г.
^ Дж. Питерс, JM. Муйдж, Д. Янцинг и Б. Шёлкопф. Причинно-следственное обнаружение с помощью моделей непрерывного аддитивного шума. Журнал исследований машинного обучения, 15: 2009–2053, 2014 г.
^ П. Даниусис, Д. Янцинг, Дж. Муйдж, Дж. Зшайшлер, Б. Штойдель, К. Чжан и Б. Шёлкопф. Вывод детерминированных причинно-следственных связей. В П. Грюнвальде и П. Спиртесе, редакторах, 26-я конференция по неопределенности в искусственном интеллекте, страницы 143–150, Корваллис, Орегон, 2010. AUAI Press. Награда за лучшую студенческую работу
^ Янцинг, Доминик; Шёлкопф, Бернхард (6 октября 2010 г.). «Причинный вывод с использованием алгоритмического условия Маркова» . Транзакции IEEE по теории информации . 56 (10): 5168–5194. arXiv : 0804.3678 . дои : 10.1109/TIT.2010.2060095 . S2CID 11867432 – через IEEE Xplore.
^ Шёлкопф, Бернхард; Янцинг, Доминик; Питерс, Джонас; Сгурица, Элени; Чжан, Кун (27 июня 2012 г.). «О причинном и антикаузальном обучении» (PDF) . Международная конференция по машинному обучению .
^ «От ядер к причинному выводу» . www.videolectures.net .
^ «Причинное обучение --- Бернхард Шёлкопф» . 15 октября 2017 г. – через Vimeo.
^ К. Чжан, Б. Шёлкопф, К. Муандет и З. Ван. Адаптация предметной области при целевом и условном сдвиге. В С. Дасгупте и Д. Макаллестере, редакторах, Труды 30-й Международной конференции по машинному обучению, том 28 материалов семинара и конференции JMLR, страницы 819–827, 2013 г.
^ Шёлкопф, Бернхард (6 февраля 2015 г.). «Учимся видеть и действовать» . Природа . 518 (7540): 486–487. дои : 10.1038/518486a . ПМИД 25719660 . S2CID 4461791 – через www.nature.com.
^ Шёлкопф, Бернхард; Хогг, Дэвид В.; Ван, Дун; Форман-Макки, Дэниел; Янцинг, Доминик; Симон-Габриэль, Карл-Иоганн; Петерс, Йонас (5 июля 2016 г.). «Моделирование, вызывающее затруднения, с помощью регрессии полуродственного брата» . Труды Национальной академии наук . 113 (27): 7391–7398. Бибкод : 2016PNAS..113.7391S . дои : 10.1073/pnas.1511656113 . ПМЦ 4941423 . ПМИД 27382154 .
^ Д. Форман-Макки, Б.Т. Монтет, Д.В. Хогг, Т.Д. Мортон, Д. Ван и Б. Шёлкопф. Систематический поиск транзитных планет в данных K2. Астрофизический журнал, 806(2), 2015 г.
^ «Биографическая справка профессора доктора Бернхарда Шелькопфа» (PDF) . Леопольдина (на немецком языке).
^ «ТУ Берлина – Информация для СМИ № 209 – 17 сентября 1998 г.» . archive.pressestelle.tu-berlin.de .
^ «История института» . www.kyb.tuebingen.mpg.de .
^ «Рецепты медицины завтрашнего дня» (PDF) . Научный журнал Общества Макса Планка . 2011.
^ «Летние школы машинного обучения – MLSS» . mlss.cc.
^ «Кембриджская группа машинного обучения» . Кембриджская группа машинного обучения .
^ Уильямс, Джонатан. «Центр обучающих систем Макса Планка ETH» . cls-staging.is.localnet .
^ "Услуга" . Баден-Вюртемберг.де . 15 декабря 2016 г.
^ «Этический дизайн» (PDF) . ИИЭЭ . 13 декабря 2016 г.
^ «Лучшие ученые в области компьютерных наук в мире: рейтинг компьютерных наук по индексу Хирша» . www.guide2research.com .
^ «Выпускники» . люди.tuebingen.mpg.de .
^ Дилле, Ромен (17 ноября 2023 г.). «Kyutai — это французская исследовательская лаборатория искусственного интеллекта с бюджетом в 330 миллионов долларов, которая сделает все открытым исходным кодом» . ТехКранч . Проверено 16 июня 2024 г.
^ Уильямс, Джон. «Бернхард Шёлкопф получает премию «Границы знаний | Эмпирический вывод» . Институт Макса Планка интеллектуальных систем .

Внешние ссылки

У Схолии есть автора профиль Бернхарда Шёлкопфа .

Публикации Бернхарда Шелькопфа, проиндексированные Google Scholar

[1] Премия «Причинно-следственная связь в статистическом образовании» . www.amstat.org .

[2] Декост, Деннис; Шёлкопф, Бернхард (1 января 2002 г.). «Обучение машин инвариантных опорных векторов» . Машинное обучение . 46 (1): 161–190. дои : 10.1023/А:1012454411458 . hdl : 11858/00-001M-0000-0013-E06A-A . S2CID 85843 — через Springer Link.

[:0-3] Перейти обратно: ^а ^б Шёлкопф, Бернхард (1997). Поддержка векторного обучения . Об этом сообщает GMD. Мюнхен Вена: Ольденбург. ISBN 978-3-486-24632-2 .

[:1-4] Перейти обратно: ^а ^б Шёлкопф, Бернхард; Смола, Александр; Мюллер, Клаус-Роберт (1 июля 1998 г.). «Анализ нелинейных компонентов как проблема собственных значений ядра» . Нейронные вычисления . 10 (5): 1299–1319. дои : 10.1162/089976698300017467 . ISSN 0899-7667 . S2CID 6674407 .

[5] Берджес, Кристофер Дж. К. (1 июня 1998 г.). «Учебное пособие по машинам опорных векторов для распознавания образов» . Интеллектуальный анализ данных и обнаружение знаний . 2 (2): 121–167. дои : 10.1023/А:1009715923555 . S2CID 221627509 — через Springer Link.

[6] Шёлкопф, П. Симард, А. Дж. Смола и В. Вапник. Предварительные знания в области ядер опорных векторов. В М. Джордане, М. Кернсе и С. Солле , редакторах, «Достижения в области нейронных систем обработки информации» 10, страницы 640–646, Кембридж, Массачусетс, США, 1998d. Массачусетский технологический институт Пресс

[7] Шапель и Б. Шёлкопф. Учет инвариантов в нелинейных SVM. В Т.Г. Диттерихе, С. Беккере и З. Гахрамани, редакторах, «Достижения в области нейронных систем обработки информации» 14, страницы 609–616, Кембридж, Массачусетс, США, 2002. MIT Press.

[8] Б. Шёлкопф, А. Дж. Смола, Р. К. Уильямсон и П. Л. Бартлетт. Новые алгоритмы опорных векторов. Нейронные вычисления, 12(5):1207–1245, 2000a.

[9] Б. Шёлкопф, Дж. К. Платт, Дж. Шоу-Тейлор, А. Дж. Смола и Р. К. Уильямсон. Оценка поддержки многомерного распределения. Нейронные вычисления, 13(7):1443–1471, 2001b.

[10] А. Греттон, К. Боргвардт, М. Раш, Б. Шёлкопф и А. Смола. Метод ядра для задачи двух выборок. Достижения в области нейронных систем обработки информации 19: 513–520, 2007 г.

[11] А. Дж. Смола, А. Греттон, Л. Сонг и Б. Шёлкопф. Вложение в гильбертово пространство для распределений. Теория алгоритмического обучения: 18-я Международная конференция: 13–31, 2007 г.

[12] Б. Сриперумбудур, А. Греттон, К. Фукумидзу, Б. Шёлкопф и Г. Ланкриет. Вложения в гильбертово пространство и метрики вероятностных мер. Журнал исследований машинного обучения, 11: 1517–1561, 2010 г.

[13] А. Греттон, К. Боргвардт, М. Раш, Б. Шёлкопф и А. Дж. Смола. Тест ядра с двумя выборками. Журнал исследований машинного обучения, 13: 723–773, 2012 г.

[14] С. Хармелинг, М. Хирш и Б. Шёлкопф. О связи между картами средних значений ядра и дифракцией Фраунгофера с применением сверхразрешения за пределами дифракционного предела. В книге «Компьютерное зрение и распознавание образов» (CVPR), страницы 1083–1090. ИИЭР, 2013 г.

[15] А. Греттон, Р. Хербрих, А. Дж. Смола, О. Буске и Б. Шёлкопф. Ядерные методы измерения независимости. Журнал исследований машинного обучения, 6: 2075–2129, 2005a.

[16] А. Греттон, О. Буске, А. Дж. Смола и Б. Шёлкопф. Измерение статистической зависимости с помощью норм Гильберта-Шмидта. Алгоритмическая теория обучения: 16-я Международная конференция, 2005b.

[17] А. Греттон, К. Фукумидзу, Ч. Тео, Л. Сонг, Б. Шёлкопф и А. Дж. Смола. Статистический тест независимости ядра. Достижения в области нейронных систем обработки информации 20, 2007 г.

[auto-18] Перейти обратно: ^а ^б Б. Шёлкопф, Д. Янцинг, Дж. Петерс, Э. Сгурица, К. Чжан и Дж. Муйдж. О причинном и антикаузальном обучении. В Дж. Лэнгфорде и Дж. Пино, редакторах, Труды 29-й Международной конференции по машинному обучению (ICML), страницы 1255–1262, Нью-Йорк, Нью-Йорк, США, 2012. Omnipress.

[19] П.О. Хойер, Д. Янцинг, Дж. М. Муйдж, Дж. Петерс и Б. Шёлкопф. Нелинейное причинно-следственное обнаружение с помощью моделей аддитивного шума. В Д. Коллере, Д. Шурмансе, Ю. Бенджио и Л. Ботту, редакторах, «Достижения в области нейронных систем обработки информации», 21, страницы 689–696, Ред-Хук, Нью-Йорк, США, 2009. Карран.

[20] Д. Янцинг, П. Хойер и Б. Шёлкопф. Отличие причины от следствия на основе многомерных наблюдений. В Дж. Фурнкранце и Т. Йоахимсе, редакторах, Труды 27-й Международной конференции по машинному обучению, страницы 479–486, Мэдисон, Висконсин, США, 2010. Международное общество машинного обучения.

[21] Дж. М. Муйдж, Дж. Петерс, Д. Янцинг, Дж. Цшайшлер и Б. Шёлкопф. Отличие причины от следствия с использованием данных наблюдений: методы и критерии. Журнал исследований машинного обучения, 17(32):1–102, 2016 г.

[22] Дж. Питерс, JM. Муйдж, Д. Янцинг и Б. Шёлкопф. Причинно-следственное обнаружение с помощью моделей непрерывного аддитивного шума. Журнал исследований машинного обучения, 15: 2009–2053, 2014 г.

[23] П. Даниусис, Д. Янцинг, Дж. Муйдж, Дж. Зшайшлер, Б. Штойдель, К. Чжан и Б. Шёлкопф. Вывод детерминированных причинно-следственных связей. В П. Грюнвальде и П. Спиртесе, редакторах, 26-я конференция по неопределенности в искусственном интеллекте, страницы 143–150, Корваллис, Орегон, 2010. AUAI Press. Награда за лучшую студенческую работу

[24] Янцинг, Доминик; Шёлкопф, Бернхард (6 октября 2010 г.). «Причинный вывод с использованием алгоритмического условия Маркова» . Транзакции IEEE по теории информации . 56 (10): 5168–5194. arXiv : 0804.3678 . дои : 10.1109/TIT.2010.2060095 . S2CID 11867432 – через IEEE Xplore.

[25] Шёлкопф, Бернхард; Янцинг, Доминик; Питерс, Джонас; Сгурица, Элени; Чжан, Кун (27 июня 2012 г.). «О причинном и антикаузальном обучении» (PDF) . Международная конференция по машинному обучению .

[26] «От ядер к причинному выводу» . www.videolectures.net .

[27] «Причинное обучение --- Бернхард Шёлкопф» . 15 октября 2017 г. – через Vimeo.

[28] К. Чжан, Б. Шёлкопф, К. Муандет и З. Ван. Адаптация предметной области при целевом и условном сдвиге. В С. Дасгупте и Д. Макаллестере, редакторах, Труды 30-й Международной конференции по машинному обучению, том 28 материалов семинара и конференции JMLR, страницы 819–827, 2013 г.

[29] Шёлкопф, Бернхард (6 февраля 2015 г.). «Учимся видеть и действовать» . Природа . 518 (7540): 486–487. дои : 10.1038/518486a . ПМИД 25719660 . S2CID 4461791 – через www.nature.com.

[30] Шёлкопф, Бернхард; Хогг, Дэвид В.; Ван, Дун; Форман-Макки, Дэниел; Янцинг, Доминик; Симон-Габриэль, Карл-Иоганн; Петерс, Йонас (5 июля 2016 г.). «Моделирование, вызывающее затруднения, с помощью регрессии полуродственного брата» . Труды Национальной академии наук . 113 (27): 7391–7398. Бибкод : 2016PNAS..113.7391S . дои : 10.1073/pnas.1511656113 . ПМЦ 4941423 . ПМИД 27382154 .

[31] Д. Форман-Макки, Б.Т. Монтет, Д.В. Хогг, Т.Д. Мортон, Д. Ван и Б. Шёлкопф. Систематический поиск транзитных планет в данных K2. Астрофизический журнал, 806(2), 2015 г.

[32] «Биографическая справка профессора доктора Бернхарда Шелькопфа» (PDF) . Леопольдина (на немецком языке).

[33] «ТУ Берлина – Информация для СМИ № 209 – 17 сентября 1998 г.» . archive.pressestelle.tu-berlin.de .

[34] «История института» . www.kyb.tuebingen.mpg.de .

[35] «Рецепты медицины завтрашнего дня» (PDF) . Научный журнал Общества Макса Планка . 2011.

[36] «Летние школы машинного обучения – MLSS» . mlss.cc.

[37] «Кембриджская группа машинного обучения» . Кембриджская группа машинного обучения .

[38] Уильямс, Джонатан. «Центр обучающих систем Макса Планка ETH» . cls-staging.is.localnet .

[39] "Услуга" . Баден-Вюртемберг.де . 15 декабря 2016 г.

[40] «Этический дизайн» (PDF) . ИИЭЭ . 13 декабря 2016 г.

[41] «Лучшие ученые в области компьютерных наук в мире: рейтинг компьютерных наук по индексу Хирша» . www.guide2research.com .

[42] «Выпускники» . люди.tuebingen.mpg.de .

[43] Дилле, Ромен (17 ноября 2023 г.). «Kyutai — это французская исследовательская лаборатория искусственного интеллекта с бюджетом в 330 миллионов долларов, которая сделает все открытым исходным кодом» . ТехКранч . Проверено 16 июня 2024 г.

[44] Уильямс, Джон. «Бернхард Шёлкопф получает премию «Границы знаний | Эмпирический вывод» . Институт Макса Планка интеллектуальных систем .

[ 1 ]

[ 2 ]

[ 3 ]

[ 4 ]

[ 5 ]

[ 6 ]

[ 7 ]

[ 8 ]

[ 9 ]

[ 10 ]

[ 11 ]

[ 12 ]

[ 13 ]

[ 14 ]

[ 15 ]

[ 16 ]

[ 17 ]

[ 18 ]

[ 19 ]

[ 20 ]

[ 21 ]

[ 22 ]

[ 23 ]

[ 24 ]

[ 25 ]

[ 26 ]

[ 27 ]

[ 28 ]

[ 29 ]

[ 30 ]

[ 31 ]

[ 32 ]

[ 33 ]

[ 34 ]

[ 35 ]

[ 36 ]

[ 37 ]

[ 38 ]

[ 39 ]

[ 40 ]

[ 41 ]

[ 42 ]

[ 43 ]

[ 44 ]

Базы данных авторитетного контроля
International	ISNI VIAF WorldCat
National	Germany Israel United States Czech Republic Netherlands
Academics	Association for Computing Machinery CiNii DBLP Google Scholar Leopoldina MathSciNet Mathematics Genealogy Project ORCID Publons ResearcherID Scopus zbMATH
Other	IdRef