BEGIN:VCALENDAR
VERSION:2.0
PRODID:https://github.com/derhansen/sf_event_mgt
METHOD:PUBLISH
BEGIN:VEVENT
UID:11358-7153@www.uni-passau.de
CLASS: PUBLIC
SUMMARY:PICAIS Fellow-Talk: Representing 4D Dynamics in Machine Learning
DESCRIPTION:Die große Herausforderung bei der Modellierung von Umwelt- und
  komplexen physikalischen Systemen besteht darin, den Informationsengpass 
 zu überwinden: Wie können wir umfangreiche 4D-Raum-Zeit-Dynamiken in Dar
 stellungen komprimieren, die für Modelle des maschinellen Lernens (ML) ge
 eignet sind, ohne dabei entscheidende Vorhersagekraft einzubüßen? Dieses
  Seminar befasst sich mit diesem grundlegenden Zielkonflikt. Wir werden St
 rategien zur Kodierung hochauflösender Daten (z. B. unter Verwendung von 
 Autoencodern oder lokaler Merkmalsextraktion) diskutieren und Methoden zur
  prinzipienbasierten Dimensionsreduktion (wie fortgeschrittene PCA oder Ma
 nifold Learning) bewerten, um dem Fluch der Dimensionalität entgegenzuwir
 ken. Entscheidend ist, dass sich der Vortrag darauf konzentriert, über Bl
 ack-Box-Vorhersagen hinauszugehen, indem die Modellinterpretation in den V
 ordergrund gestellt und physikalisches Verständnis genutzt wird, um siche
 rzustellen, dass der komprimierte Merkmalsraum nicht nur effizient, sonder
 n auch physikalisch aussagekräftig ist, was zu Modellen führt, die sowoh
 l genau als auch vertrauenswürdig sind.
DTSTAMP:20260324T100253Z
DTSTART:20260325T130000Z
DTEND:20260325T140000Z
END:VEVENT
END:VCALENDAR