Prof. Dr. Reinhard Heckel

Professur

Machine Learning

Wissenschaftliche Laufbahn und Forschungsgebiete

Reinhard Heckel ist Rudolf-Mößbauer-Assistenzprofessor an der Fakultät für Elektrotechnik und Informatik der Technischen Universität München. Davor war er Assistenzprofessor am Fachbereich für Elektrotechnik und Computertechnik der Rice University. Davor verbrachte er eineinhalb Jahre als Postdoc am Department of Electrical Engineering and Computer Sciences der University of California, Berkeley, und ein Jahr in der Abteilung Cognitive Computing & Computational Sciences bei IBM Research Zürich, wo er ein derzeit genutztes Recommender-System mitentwickelte. Er schloss seine Promotion 2014 an der ETH Zürich ab und war Gastdoktorand am Statistics Department der Stanford University. Reinhard Heckel arbeitet im Bereich des maschinellen Lernens und seine aktuelle Forschung konzentriert sich auf aktives Lernen, tiefe generative Modelle zum Lernen und Lösen inverser Probleme und DNA-Datenspeicherung.

Seine Forschung liegt im Schnittpunkt von maschinellem Lernen, Statistik und Signalverarbeitung. Derzeit interessiert er sich besonders für: Lernen aus wenigen und verrauschten Beispielen, Grundlagen des tiefen Lernens, Lösen inverser Probleme mit tiefem Lernen und DNA-Datenspeicherung.

    Wichtigste Auszeichnungen

    • Runner up (second place) in the AAPM (American Association of Physicists in Medicine) Grand Challenge: “Deep Learning for Inverse Problems: Sparse-View Computed Tomography Image Reconstruction” (2021)
    • Featured in the BBC Future series “The Genius Behind”: This is how to store human knowledge for eternity (2015) 
    • ETH Zurich medal for outstanding Ph.D. thesis (2015)
    • IBM first patent application invention achievement award (2015)
    • Early Postdoc.Mobility fellowship from the Swiss National Science Foundation (2014)

     

    Measuring robustness in deep learning based compressive sensing M. Zalbagi Darestani, Akshay Chaudhari, and R. Heckel ICML 2021 (International Conference on Machine Learning) (long talk).

    Abstract

    Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation R. Heckel and M. Soltanolkotabi ICML 2020 (International Conference on Machine Learning).

    Abstract

    Low cost DNA data storage using photolithographic synthesis and advanced information reconstruction and error correction P. L. Antkowiak, J. Lietard, M. Z. Darestani, M. M. Somoza, W. J. Stark, R. Heckel & R. N. Grass Nature Communications, 2020.

    Abstract

    Deep decoder: Concise image representations from untrained non-convolutional networks R. Heckel and P. Hand ICLR 2019 (International Conference on Learning Representations) CODE.

    Abstract

    Active ranking from pairwise comparisons and when parametric assumptions don’t help R. Heckel, N. B. Shah, K. Ramchandran, and M. J. Wainwright Annals of Statistics, 2019.

    Abstract