Dr. Sören Dittmer
Wissenschaftlicher Mitarbeiter der AG Technomathematik, Research Training Group π3Projekte
- Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
- Magnetic Particle Imaging (seit 01.03.2016)
Veranstaltungen (Auswahl)
- Mathematical Foundations of AI (Sommersemester 2023)
- Mathematical Foundations of Deep Learning (Wintersemester 2022/2023)
- Mathematical Foundations of AI (Wintersemester 2022/2023)
- Mathematical Foundations of AI (Sommersemester 2022)
Abschlussarbeiten (Auswahl)
- Contrasting and motivating augmented contrastive learning (Jule Pätzold)
- Inverse Problems Learning data specific regularizations using projections (Julius Arkenberg)
- Unsupervised Denoising von Magnetic-Particle-Imaging-Messungen durch Neuronale Netze (Nikolas Dreverhoff)
- Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks (Daniel Klosa)
Publikationen (Auswahl)
- S. Dittmer, M. Roberts, J. Preller, .. AIX-COVNET Collaboration, J. H. F. Rudd, J. A. D. Aston, C. Schönlieb.
Reinterpreting survival analysis in the universal approximator age.
Zur Veröffentlichung eingereicht. - C. Arndt, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, J. Nickel.
Bayesian view on the training of invertible residual networks for solving linear inverse problems.
Zur Veröffentlichung eingereicht.online unter: https://www.x-mol.net/paper/article/1682514725633245184
- C. Arndt, A. Denker, S. Dittmer, N. Heilenkötter, M. Iske, T. Kluth, P. Maaß, J. Nickel.
Invertible residual networks in the context of regularization theory for linear inverse problems.
Zur Veröffentlichung eingereicht.online unter: https://arxiv.org/abs/2306.01335
- D. Erzmann, S. Dittmer, H. Harms, P. Maaß.
DL4TO: A Deep Learning Library for Sample-Efficient Topology Optimization.
Lecture Notes in Computer Science, Geometric Science of Information. GSI 2023 14071, Springer Verlag, 2023. - P. Maaß, S. Dittmer, T. Kluth, J. Leuschner, M. Schmidt.
Mathematische Architekturen für Neuronale Netze.
Erfolgsformeln – Anwendungen der Mathematik, M. Ehrhardt, M. Günther, W. Schilders (Hrsg.), Mathematische Semesterberichte, S. 190-195, Springer Verlag, 2022.