Dr. Vincent Fortuin
Helmholtz AI Young Investigator Group
Effizientes Lernen und Probabilistische Inferenz für die Wissenschaft
Professur für Ethics in Systems Design and Machine Learning
Kontakt
Wissenschaftliche Laufbahn und Forschungsgebiete
Dr. Vincent Fortuins Forschung konzentriert sich auf die Schnittstelle zwischen Bayesianischer Inferenz und tiefem Lernen, mit dem Ziel, die Robustheit, Daten-Effizienz und Unsicherheitsschätzung dieser Ansätze zu verbessern. Obwohl tiefes Lernen oft zu beeindruckenden Leistungen in vielen Anwendungen führt, kann es in seinen Vorhersagen zu selbstsicher sein und große Datensätze zum Training benötigen. Insbesondere in wissenschaftlichen Anwendungen können Erkenntnisse aus der Bayesschen Statistik dazu verwendet werden, diese Modelle drastisch zu verbessern.
Dr. Fortuin studierte an der Universität Hamburg und der ETH Zürich, bevor er seine Doktorarbeit am Institut für Maschinelles Lernen der ETH Zürich verfolgte und sich dabei auf die Wahl von a-priori Verteilungen im Bayesianischen tiefen Lernen konzentrierte. Nach Abschluss seiner Promotion war er Research Fellow am St. John’s College der Universität Cambridge und postdoktoraler Forscher in der Gruppe für maschinelles Lernen. Seit März 2023 ist er Leiter einer Tenure-Track-Forschungsgruppe bei Helmholtz AI in München.
Wichtigste Auszeichungen
- Branco Weiss Fellowship (2023)
- St John’s College Research Fellowship (2022)
- Swiss National Science Foundation Postdoc.Mobility Fellowship (2022)
- Swiss Data Science Center PhD Fellowship (2018)
- ETH Excellence Scholarship (2015)
Schlüsselpublikationen (alle Publikationen)
Fortuin V: “Priors in Bayesian Deep Learning: A Review”. International Statistical Review. 2022; 90 (3): 563-591.
AbstractFortuin V, Garriga-Alonso A, Ober SW, Wenzel F, Rätsch G, Turner RE, van der Wilk M, Aitchison L: “Bayesian Neural Network Priors Revisited”. International Conference on Learning Representations. 2022.
AbstractD’Angelo F, Fortuin V: “Repulsive Deep Ensembles are Bayesian”. Advances in Neural Information Processing Systems. 2021.
AbstractFortuin V, Baranchuk D, Rätsch G, Mandt S: “GP-VAE: Deep Probabilistic Time Series Imputation”. International Conference on Artificial Intelligence and Statistics. 2020.
AbstractFortuin V, Hüser M, Locatello F, Strathmann H, Rätsch G: “SOM-VAE: Interpretable Discrete Representation Learning on Time Series”. International Conference on Learning Representations. 2019.
Abstract