Physikbasierte neuronale Netze können Black-Box-Modelle zuverlässiger machen. Das Ergebnis sind vielseitig einsetzbare Ersatzmodelle für komplexe Anwendungen, etwa die präzise Steuerung weicher Roboter.
Neural Attention Search (NAtS) bringt KI bei, sich auf das Wesentliche zu konzentrieren. Energie- und Hardwarekosten werden erheblich reduziert – bei gleichbleibender Leistung.
Fed-FUEL ermöglicht faire, leistungsstarke und datenschutzkonforme KI im föderierten Lernen – ohne Anpassung der zugrundeliegenden Modelle und mit besonderem Fokus auf den Schutz benachteiligter Gruppen.
Mit 40 fein abgestuften Gefühlszuständen und einem ausgewogenen Datensatz schließt EmoNetFace die Lücke zwischen „emotional blinder“ KI und der Emotionswahrnehmung menschlicher Experten.
DeepCAVE bietet Einblicke in komplexe AutoML-Optimierungen und zeigt, welche Parameter wirklich zählen – für verständlichere, effizientere und vertrauenswürdigere KI-Systeme
Mit HyperSHAP wird erstmals sichtbar, welche Hyperparameter ein KI-Modell wirklich voranbringen – und wie sie miteinander interagieren. Die Methode macht Hyperparameteroptimierung transparenter, effizienter und besser nachvollziehbar.
Eine Kombination aus pulsierendem Fluidstrahl, Audio-Monitoring und KI ermöglicht die minimalinvasive und sichere Entfernung von Knochenzement – ein wichtiger Baustein für eine schonende und automatisierbare Revisionschirurgie.
Beim 10. Town Hall Meeting des L3S am 6. Februar 2026 standen neben aktuellen Entwicklungen und neuen Projekten wieder exzellente Forschungsergebnisse im Fokus.
Gleich zwei Wissenschaftler des L3S erhalten einen ERC Proof of Concept Grant: Prof. Dr. Sören Auer und Prof. Dr. Marius Lindauer werden vom Europäischen Forschungsrat (ERC) […]
Prof. Dr. Marius Lindauer erklärt in einem aktuellen Video der Plattform Lernende Systeme, wie Künstliche Intelligenz (KI) effizienter wird.
