direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

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 >>

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.

Mohr, J., Seyfarth, J., Lueschow, A., Weber, J. E., Wichman, F. A. and Obermayer, K. (2016). BOiS - Berlin Object in Scene Database: Controlled Photographic Images for Visual Search Experiments with Quantified Contextual Priors. Frontiers in Psychology, 7

Meyer, R. and Obermayer, K. (2016). pypet: A Python Toolkit for Data Management of Parameter Explorations. Frontiers Neuroinformatics, 10

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.

Mohr, J., Park, J.-H. and Obermayer, K. (2014). A computer vision system for rapid search inspired by surface-based attention mechanisms from human perception. Neural Networks, 60, 182 - 193.

Shen, Y., Tobia, M. J., Sommer, T. and Obermayer, K. (2014). Risk-sensitive Reinforcement Learning. Neural Computation, 26, 1298-1328.

Böhmer, W., Grünewälder, S., Shen, Y., Musial, M. and Obermayer, K. (2013). Construction of Approximation Spaces for Reinforcement Learning. Journal of Machine Learning Research, 14, 2067–2118.

Houillon, A., Lorenz, R. C., Boehmer, W., Rapp, M. A., Heinz, A., Gallinat, J. and Obermayer, K. (2013). The effect of novelty on reinforcement learning. Progress in brain research, 202, 415–439.

Ladenbauer, J., Lehnert, J., Rankoohi, H., Dahms, T., Schöll, E. and Obermayer, K. (2013). Adaptation Controls Synchrony and Cluster States of Coupled Threshold-Model Neurons. Physical Review E, 88, 042713.

Shen, Y., Stannat, W. and Obermayer, K. (2013). Risk-sensitive Markov Control Processes. SIAM Journal on Control and Optimization, 51, 3652–3672.

Ladenbauer, J., Augustin, M., Shiau, L. and Obermayer, K. (2012). Impact of Adaptation Currents on Synchronization of Coupled Exponential Integrate-and-Fire Neurons. PLoS Computational Biology, 8

Onken, A., Dragoi, V. and Obermayer, K. (2012). A Maximum Entropy Test for Evaluating Higher-Order Correlations in Spike Counts. PLoS Computational Biology, 8

Grünwälder, S. and Obermayer, K. (2011). The Optimal Unbiased Extimator and its Relation to LSTD, TD and MC. Machine Learning, 83, 289 – 330.

Sie sind auf Seite:1 | 2

vor >>

Nach oben