direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Lehrveranstaltungen im Wintersemester 2021/22

Bitte beachten Sie, dass aufgrund des IT-Angriffs auf die TU Berlin zur Zeit kein Zugriff auf IT-Systeme möglich ist, die für die Pflege dieser Webseite notwendig sind, daher sind leider nicht alle Angaben aktuell gehalten.

Unser Lehrangebot im Wintersemester 2021/22 finden Sie daher gesammelt unter diesem Link.

Neuronale Informationsverarbeitung

Wir beschäftigen uns mit den Grundlagen der Informationsverarbeitung in biologischen Systemen. Einerseits möchten wir die Funktionsmechanismen unseres Gehirns verstehen, andererseits machen wir uns die Strategien biologischer Systeme in Anwendungen maschinellen Lernens zu Nutze. Unsere Forschungsinteressen sind thematisch in drei Bereiche unterteilt.

Modelle neuronaler Systeme:

Lupe
© NI, TUB

In Zusammenarbeit mit Neurobiologen und Klinikern erforschen wir die Mechanismen der Informationsverarbeitung im visuellen System. Die Forschungsthemen behinhalten: Kortikale Dynamik, die Repräsentation visueller Information, Adaptation und Plastizität, sowie die Rolle von Rückkopplung. Seit jüngerer Zeit beschäftigen wir uns mit dem Zusammenhang von Wahrnehmung und kognitiven Funktionen. Hier untersuchen wir mathematische Modelle der Entscheidungsfindung in unbekannten Umgebungen hinsichtlich der Frage, wie die zugrunde liegenden Prozesse mit Wahrnehmung und Gedächtnis wechselwirken.

Maschinelles Lernen und neuronale Netze:

Lupe
© NI, TUB

Hier befassen wir uns mit dem künstlichen Erlernen von Zusammenhängen anhand von Beispielen, um Vorhersagen und Entscheidungen zu treffen. Die Forschungsthemen umfassen: Lernen geeigneter Darstellungen/Abbildungen, aktive und halbüberwachte Lernverfahren, sowie Prototyp-bezogene Methoden. Inspiriert durch die Modell-basierte Erforschung jener Vorgänge, welche für die Entscheidungsfindung eine zentrale Rolle spielen, haben wir begonnen Belohnungs- bzw. Bestrafungs-Lernen zu untersuchen und erweitern. Zusammen mit Spezialisten aus verschiedenen Anwendungsbereichen setzen wir maschinelles Lernen etwa zur Wiedergewinnung von Informationen ein, für maschinelles Sehen oder in der Chemoinformatik.

Analyse neuronaler Daten:

Lupe
© NI, TUB

Hier wenden wir maschinelles Lernen und statistische Verfahren zur Analyse multivariater biometrischer Daten an, insbesondere Daten, welche eine Grundlage für unsere computergestützten Studien neuronaler Systeme bilden. Die Forschungsthemen variieren und beinhalten gegenwärtig Spike-sorting und die Analyse von Multi-Tetroden Aufnahmen, Konfokalmikroskopie und 3D-Rekonstruktionsmethoden, sowie die Analyse von Daten bildgebender Verfahren. Seit Kurzem beschäftigen wir uns mit der Analyse multimodaler Daten und korrelieren beispielsweise anatomische, genetische, und Bilddatensätze.

Ausgewählte Publikationen

Sie sind auf Seite:1 | 2

vor >>

Müller, L., Ploner, M., Goerttler, T. and Obermayer, K. (2021). An Interactive Introduction to Model-Agnostic Meta-Learning. Workshop on Visualization for AI Explainability at IEEE VIS

Chouzouris, T., Roth, N., Cakan, C. and K., O. (2021). Applications of Optimal Nonlinear Control to a Whole-brain Network of FitzHugh-Nagumo Oscillators. Phys. Rev. E, 2021

Cakan, C., Jajcay, N. and K, O. (2021). neurolib: A Simulation Framework for Wholebrain Neural Mass Modeling. Cognit. Comput., 2021

Cakan, C. and Obermayer, K. (2020). Biophysically grounded mean-field models of neural populations under electrical stimulation. PLOS Computational Biology, 2020

Koren, V., Andrei, A., Hu, M., Dragol, V. and Obermayer, K. (2020). Pair-wise Synchrony and Correlations Depend on the Structure of the Population Code in Visual Cortex. Cell Reports, 2020

Seo, S., Beck, A., Matthis, C., Genauck, A., Banaschewski, T., Bokde, A., Bromberg, U., Büchel, C., Quinlan, E., Flor, H., Frouin, V., Garavan, H., Gowland, P., Ittermann, B., Martinot, J., Martinot, M., Nees, F., Orfanos, D., Poustka, L., Hohmann, S., Froehner, J., Smolka, M., Walter, H., Whelan, R., Desrivieres, S., Heinz, A., Schumann, G. and Obermayer, K. (2019). Risk Profiles for Heavy Drinking in Adolescence: Differential Effects of Gender. Addiction Biology, 24, 787-801.

Mergenthaler, K., Oschmann, F. and Obermayer, K. (2019). Glutamate Uptake by Astrocytic Transporters. Computational Glioscience, 329-361.

Trowitzsch I., Schymura C., Kolossa D. and K., O. (2019). Joining Sound Event Detection and Localization Through Spatial Segregation. IEEE Trans. Audio Speech Language Proc.

Aspart, F., Remme, M. and Obermayer, K. (2018). Differential Polarization of Cortical Pyramidal Neuron Dendrites through Weak Extracellular Fields. Computational Biology, 15

Meyer, R., Ladenbauer, J. and Obermayer, K. (2017). Influence of Mexican Hat Recurrent Connectivity on Noise Correlations and Stimulus Encoding. Frontiers in Computational Neuroscience

Trowitzsch, I., Mohr, J., Kashef, Y. and Obermayer, K. (2017). Robust Detection of Environmental Sounds in Binaural Auditory Scenes. IEEE Transactions on Audio Speech and Language Processing, 25, 1344-1356.

Oschmann, F., Mergenthaler, K., Jungnickel, E. and Obermayer, K. (2017). Spatial Separation of Two Different Pathways Accounting for the Generation of Calcium Signals in Astrocytes. PLoS Computational Biology, 13

Augustin, M., Ladenbauer, J., Baumann, F. and Obermayer, K. (2017). Low-dimensional spike rate models derived from networks of adaptive integrate-and-fire neurons: Comparison and implementation. PLoS Computational Biology, 13

Guo, R., Böhmer, W., Hebart, M., Chien, S., Sommer, T., Obermayer, K. and Gläscher, J. (2016). Interaction of Instrumental and Goal-directed Learning Modulates Prediction Error Representations in the Ventral Striatum. Journal of Neuroscience, 36, 12650-12660.

Aspart, F., Ladenbauer, J. and Obermayer, K. (2016). Extending Integrate-and-fire Model Neurons to Account for the Effects of Weak Electric Fields and Input Filtering Mediated by the Dendrite. PLOS Computional Biology, 12, e1005206.

Donner, C., Obermayer, K. and Shimazaki, H. (2016). Approximate Inference for Time-varying Interactions and Macroscopic Dynamics of Neural Populations. PLoS Computional Biology, 13, 1 -27.

Bielivtsov, D., Ladenbauer, J. and Obermayer, K. (2016). Controlling Statistical Moments of Stochastic Dynamical Networks. Physical Review E, 94, 012306.

Seo, S., Mohr, J., Beck, A., Wüstenberg, T., Heinz, A. and Obermayer, K. (2015). Predicting the future relapse of alcohol-dependent patients from structural and functional brain images. Addiction Biology, 20, 1042-1055.

Ladenbauer, J., Augustin, M. and Obermayer, K. (2014). How Adaptation Currents Change Threshold, Gain and Variability of Neuronal Spiking. Journal of Neurophysiology, 111, 939–953.

Sie sind auf Seite:1 | 2

vor >>

Nach oben