Prof. Dr. Debarghya Ghoshdastidar
Fakultät
Kontakt
Wissenschaftliche Laufbahn und Forschungsgebiete
Prof. Ghoshdastidar (*1987) forscht in der Theorie des maschinellen Lernens, der künstlichen Intelligenz und der Netzwerkwissenschaft. Der Schwerpunkt seiner Forschung liegt auf dem statistischen Verständnis und der Interpretation von Methoden des maschinellen Lernens. Seine Arbeiten liefern neue Erkenntnisse und Algorithmen für Entscheidungsprobleme aus verschiedenen Bereichen wie Neurowissenschaften, Crowdsourcing und Computer Vision.
Prof. Ghoshdastidar erwarb 2010 einen Bachelor-Abschluss in Elektrotechnik an der Universität Jadavpur, Indien. Nach seinem Master-Abschluss und seiner Promotion im Fach Informatik am Indian Institute of Science im Jahr 2016, arbeitete er als Postdoc an der Universität Tübingen, wo er eine von der Baden-Württemberg Stiftung geförderte Nachwuchsgruppe leitete. Im Herbst 2019 folgte der Ruf als Tenure Track Assistant Professor für Theoretische Grundlagen der Künstlichen Intelligenz an die TUM.
Wichtigste Auszeichnungen
- Aufnahme in das Baden-Württemberg Eliteprogramm für Postdocs (2017)
- Google Ph.D. Fellowship (2013)
Schlüsselpublikationen (alle Publikationen)
D. Ghoshdastidar, M. Gutzeit, A. Carpentier, U. Von Luxburg. Two-sample hypothesis testing for inhomogeneous random graphs. The Annals of Statistics, 48 (4): 2208-2229, 2020.
AbstractD. Ghoshdastidar, M. Perrot, U. Von Luxburg. Foundations of comparison-based hierarchical clustering. Advances in Neural Information Processing Systems (NeurIPS), 32, 2019
AbstractD. Ghoshdastidar, M. Gutzeit, A. Carpentier, U. von Luxburg. Two-sample tests for large random graphs using network statistics. Annual Conference on Learning Theory (COLT), PMLR 65: 954-977, 2017.
AbstractD. Ghoshdastidar, A. Dukkipati. Consistency of spectral hypergraph partitioning under planted partition model. The Annals of Statistics, 45 (1): 289-315, 2017.
AbstractD. Ghoshdastidar, A. Dukkipati. Consistency of spectral partitioning of uniform hypergraphs under planted partition model. Advances in Neural Information Processing Systems (NIPS), 27: 397-405, 2014.
Abstract