Logo Uni Bremen

Zentrum für Industriemathematik

ZeTeM > Über das ZeTeM > Mitarbeiter*innen > Dr. Sören Dittmer

Kontakt Sitemap Impressum [ English | Deutsch ]
Bild Dr. Sören Dittmer

Dr. Sören Dittmer

Ehemaliger Mitarbeiter der AG Technomathematik, Research Training Group π3


Projekte

  1. Design-KIT: Künstliche Intelligenz in der mechanischen Bauteilentwicklung; TP: Deep Learning zur Geometrieerzeugung von mechanischen Bauteilen (01.10.2020 - 31.03.2022)
  2. Magnetic Particle Imaging (seit 01.03.2016)

Veranstaltungen (Auswahl)vollständige Liste

  1. Mathematical Methods in Machine Learning (Wintersemester 2023/2024)
  2. Mathematical Foundations of AI (Sommersemester 2023)
  3. Mathematical Foundations of Deep Learning (Wintersemester 2022/2023)
  4. Mathematical Foundations of AI (Wintersemester 2022/2023)
  5. Mathematical Foundations of AI (Sommersemester 2022)

Abschlussarbeiten (Auswahl)vollständige Liste

  1. Contrasting and motivating augmented contrastive learning (Jule Pätzold)
  2. Inverse Problems Learning – data specific regularizations using projections (Julius Arkenberg)
  3. Unsupervised Denoising von Magnetic-Particle-Imaging-Messungen durch Neuronale Netze (Nikolas Dreverhoff)
  4. Differentiable architecture search - Fractional Kernel sizes in convolutional neural networks (Daniel Klosa)

Publikationen (Auswahl)vollständige Liste

  1. S. Dittmer, M. Roberts, J. Gilbey, A. Biguri, .. AIX-COVNET Collaboration, J. Preller, J. H. F. Rudd, J. A. D. Aston, C. Schönlieb.
    Navigating the development challenges in creating complex data systems.
    nature machine intelligence, 5:681-686, Springer Verlag, 2023.

    DOI: 10.1038/s42256-023-00665-x
    online unter: https://www.nature.com/articles/s42256-023-00665-x#citeas

  2. 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.
  3. 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

  4. T. Shadbahr, M. Roberts, J. Stanczuk, J. Gilbey, P. Teare, S. Dittmer, M. Thorpe, R. V. Torne, E. Sala, P. Lio, M. Patel, .. AIX-COVNET Collaboration, J. H. F. Rudd, T. Mirtti, A. Rannikko, J. A. D. Aston, J. Tang, C. Schönlieb.
    The impact of imputation quality on machine learning classifiers for datasets with missing values.
    Communication medicine, 3, Springer Verlag, 2023.

    DOI: 10.1038/s43856-023-00356-z
    online unter: https://www.nature.com/articles/s43856-023-00356-z#citeas

  5. 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.
    Inverse Problems, 39(12), IOPscience, 2023.

    DOI: 10.1088/1361-6420/ad0660
    online unter: https://iopscience.iop.org/article/10.1088/1361-6420/ad0660