Dr. Bastian Rieck

Helmholtz Pioneer Campus Principal Investigator (HPC)

AIDOS Lab

Lehrstuhl für Mathematische Modelle biologischer Systeme (Prof. Theis)

Kontakt

Visitenkarte in TUMonline

Wissenschaftliche Laufbahn und Forschungsgebiete

Bastian Rieck erhielt sowohl seinen M.Sc. in Mathematik (Abschluss mit Auszeichnung) als auch seinen Doktortitel ('summa cum laude') in Informatik von der Universität Heidelberg in Deutschland. Anschließend arbeitete er als Postdoc und später als Oberassistent am Labor für Maschinelles Lernen und Computational Biology der ETH Zürich in der Schweiz.

Dr. Rieck (*1986) forscht an Methoden des geometrischen und topologischen maschinellen Lernens, mit Anwendungen in der Biomedizin. In der biomedizinischen Forschung werden komplexe Systeme häufig in unterschiedlichen Auflösungen beobachtet, die vom Makroskopischen bis hin zum Mikroskopischen reichen. Das Heranzoomen liefert uns das "Kleingedruckte" (z. B. einzelne Neuronen in einem Gehirn), während das Herauszoomen uns das "große Bild" zeigt (z. B. lokal verbundene Netzwerke von Neuronen oder Bereiche im Gehirn). Für viele Anwendungen gibt es aber nicht nur eine spezifische Skala, die zu berücksichtigen ist; relevante Merkmale können auf mehreren Skalen vorkommen, und a priori Informationen über ihre Eignung für eine bestimmte Aufgabe fehlen normalerweise. Da Rauschen ein unvermeidlicher Bestandteil solcher Untersuchungen ist, benötigen wir Werkzeuge, die robuste Analysen auf mehreren Skalen ermöglichen. Dr. Riecks Forschungsagenda besteht darin, solche Werkzeuge auf der Grundlage topologischer maschineller Lerntechniken zu entwickeln, zu kultivieren und zu kritisieren, wobei ein spezieller Fokus auf Themen im Gesundheitswesen gelegt wird.

Wichtigste Auszeichungen

- Helmholtz Pioneer Campus Principal Investigator (2021)
- Spark Grant für das Projekt "TOPAZ: Topology of Alzheimer's" vom Schweizerischen Nationalfonds
- Abschluss des Doktorats mit "summa cum laude" (2017)
- Forschungsstipendium der DFG (2011–2014)

O'Bray L*, Rieck B*, Borgwardt B: "Filtration Curves for Graph Classification". Proceedings of the 27th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD). 2021: 1267–1275.

Abstract

Borgwardt K, Ghisu E, Llinares-López F, O'Bray L, Rieck B: "Graph Kernels: State-of-the-Art and Future Challenges". Foundations and Trends® in Machine Learning. 2020; 13 (5–6): 531–712.

Abstract

Rieck B*, Yates T*, Bock C, Borgwardt K, Wolf G, Turk-Browne N**, Krishnaswamy S**: "Uncovering the Topology of Time-Varying fMRI Data using Cubical Persistence". Advances in Neural Information Processing Systems. 2020; 33: 6900–6912.

Abstract

Moor M*, Horn M*, Rieck B**, Borgwardt K**: "Topological Autoencoders". Proceedings of the 37th International Conference on Machine Learning. 2020: 7045–7054.

Abstract

Rieck B*, Bock C*, Borgwardt K: "A Persistent Weisfeiler–Lehman Procedure for Graph Classification". Proceedings of the 36th International Conference on Machine Learning. 2019: 5448–5458.

Abstract