>> KI-ALLIANZ RLP > KI-FORSCHUNG > KI-FORSCHENDE > PROF. DR. SEBASTIAN VOLLMER

Prof. Dr. Sebastian Vollmer

  • Prof. Dr. Sebastian Vollmer

    Sebastian Vollmer ist Professor für Anwendungen des maschinellen Lernens an der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU) und dem Deutschen Forschungszentrum für Künstliche Intelligenz. Er ist außerdem Associate Professor für Statistik und Mathematik am Mathematischen Institut und am Department of Statistics der University of Warwick, UK, ehemaliger Direktor der Data Study Groups am Alan Turing Institute und Co-Direktor des Forschungsprogramms für Gesundheits- und Medizinwissenschaften.

    Seine Forschungsinteressen liegen an der Schnittstelle von computergestützter Statistik und maschinellem Lernen, mit besonderem Fokus auf praxisnahe Anwendungen. Er hat in verschiedenen Anwendungsbereichen gearbeitet, darunter Verkehr, Energie und insbesondere Gesundheit und Wohlbefinden.

    Bevor er zur University of Warwick wechselte, war Sebastian Vollmer Lecturer in Statistik an der University of Oxford. Davor absolvierte er eine Postdoktorandenforschung bei Arnaud Doucet (Oxford) und Yee Whye Teh (Oxford). Seinen PhD in Mathematik schloss er im September 2013 an der University of Warwick unter der Betreuung von Andrew Stuart und Martin Hairer ab.

Kontakt

Grundlagenforschung

  • Sebastian Vollmer und seine Gruppe befassen sich mit skalierbaren Methoden für statistische Inferenz und maschinelles Lernen sowie deren Anwendungen. Dazu gehören die effiziente Nutzung von „Small Data“ durch den effektiven Einsatz von Vorwissen, (Bayesianisches) Active Learning, Foundation Models und Transfer Learning.

    Ein besonderer Fokus liegt auf der Analyse von Time-to-Event- bzw. Survival-Daten und der Anwendung räumlich-zeitlicher Modelle. Weitere zentrale Forschungsbereiche sind Active Learning in digitalen Gesundheitsanwendungen, die Integration biologischen Vorwissens in Deep-Learning-Modelle sowie die Entwicklung und Evaluierung agentischer KI-Systeme zur Wissensentdeckung.

Anwendungsbezogene Forschung

  • Im Rahmen des curATime-Projekts trägt die Gruppe von Sebastian Vollmer zur Entwicklung modernster Methoden zur Identifizierung von Biomarkern und Wirkstoffzielen in der kardiovaskulären Forschung bei. Zudem leistet sie Pionierarbeit bei der Entwicklung biologisch informierter Methoden zur Prognose von Lungenkrebsrückfällen auf Basis hochdimensionaler, heterogener Multi-Omics-Datensätze für das MIRACLE-Konsortium.

    Das AI4Nof1-Projekt nutzt neueste Entwicklungen im (kausalen, neurosymbolischen) Reinforcement Learning, der Psychometrie und der digitalen Epidemiologie, um adaptive, personalisierte Behandlungsregime für chronische Erkrankungen zu entwickeln. Dabei werden gleichzeitig Phänotypen und kausale Zusammenhänge identifiziert, während die Zeit und die Anzahl der Messungen minimiert werden, die Patient:innen benötigen, um eine für sie geeignete Behandlung zu finden. Das Projekt kombiniert Active Learning und Bayes’sche Modellierung mit Mobile-Health-Technologie, um gleichzeitig individuelle Therapien zu optimieren und populationsübergreifendes Wissen zu gewinnen.

    Das TrustifAI-Projekt zielt darauf ab, konkrete Lösungen zur Verbesserung der Vertrauenswürdigkeit von KI-Anwendungen im Bereich Gesundheit und Wohlbefinden in verschiedenen Phasen des Entwicklungszyklus bereitzustellen. Eine Qualitätsplattform für die Entwicklung vertrauenswürdiger KI-Anwendungen ermöglicht es Nutzer:innen, durch einen Human-in-the-Loop-Ansatz effiziente und effektive Data-Science-Analysepipelines zu erstellen, mit dem Ziel, die Vertrauenswürdigkeit zu erhöhen.

    Im Sinne der Data Science for Social Good-Initiative arbeitet die Gruppe mit dem Deutschen Roten Kreuz (DRK) zusammen, um die Reaktionszeiten von Rettungsdiensten zu verkürzen. Darüber hinaus kooperiert sie mit verschiedenen staatlichen und nichtstaatlichen Organisationen, um Transparenz in operativen Abläufen zu erhöhen.

Besondere Expertise

  • Grundlagenforschung

    • Machine Learning (ML): Representation Learning, Transfer Learning, Domain Adaptation, Artificial Neural Network (ANN), Gaussian Processes, Reinforcement Learning (RL)
    • Knowledge-Based Systems: Argumentation, Causality, Agent Systems
    • Technologieanalyse: Soziale und Rechtliche Rahmenbedingungen

  • Anwendungsbezogene Forschung

    • Intelligente Assistenzsysteme / Virtuelle Assistenten: Vorausschauende Analyse, Digitale Medizin, Biotechnologie
    • Autonome Systeme
    • Sensorik und Kommunikation: Diagnostik
    • Informationsgewinnung (Wissens-, Datenmanagement und -Analyse)
    • Technologieanalyse: Aus- und Weiterbildung

KI-Veranstaltungen

KI-Forschungsprojekte