In den letzten Jahren hat der Bereich des maschinellen Lernens bedeutende Fortschritte in Theorie und Anwendung gemacht. Dieser Erfolg basiert auf der gegenseitigen Symbiose von mathematischen Erkenntnissen und experimentellen Studien. Über 190 Forscher:innen nahmen an der öffentlichen Konferenz teil. Während der vier Konferenztage diskutierten sie die verschiedenen Ansätze der aktuellen Forschung.

Die Forscher:innen führten lebhafte Diskussionen über das faszinierende Zusammenspiel von Theorie und Anwendung. Einerseits ermöglicht die Mathematik die Konzeptualisierung und Formalisierung von Kernproblemen innerhalb der Lerntheorie, was beispielsweise zu Leistungsgrenzen für Lernalgorithmen führt. Andererseits bestätigen experimentelle Studien theoretische Vorhersagen und geben neue Richtungen für die theoretische Forschung vor. Ziel dieses Treffens war es, die Wechselwirkung zwischen Theorie und Praxis zu diskutieren, wobei der Schwerpunkt auf den derzeitigen Lücken zwischen beiden lag.

Ein zentrales Thema der Konferenz waren Diffusionsmodelle generativer künstlicher Intelligenz. Diese sind derzeit ein zentrales Thema der mathematischen Forschung, in der der Einfluss verschiedener Geometrien auf die Leistungsfähigkeit untersucht wird. Zu diesem Thema hielten zahlreiche Forscher:innen Vorträge, darunter insbesondere Francis Bach (INRIA Paris Centre, Frankreich), Gabriele Steidl (TU Berlin), Kenji Fukumizu (ISM, Japan) und Markos Katsoulakis (UMass Amherst, USA). Ein weiteres zentrales Thema der Konferenz waren große Sprachmodelle, die in den letzten Jahren großen Einfluss auf unser tägliches Leben hatten. Sie basieren auf der Transformer-Architektur tiefer neuronaler Netze und sind ein weiteres faszinierendes Thema der mathematischen Forschung. Vorträge zu diesem Thema hielten Misha Belkin (UC San Diego, USA), Lénaïc Chizat (EPFL, Schweiz), Stefanie Jegelka (MIT, USA und TU München) sowie Matus Telgarsky (NYU, USA). Gitta Kutyniok von der LMU München hielt einen visionären Vortrag, in dem sie die Grenzen der aktuellen KI in Bezug auf Zuverlässigkeit und Energieverbrauch aufzeigte und eine mathematische Perspektive skizzierte. Als interdisziplinäres Fachgebiet war die Geometrie ein wiederkehrendes Thema während der gesamten Konferenz. Jürgen Jost (MPI MiS Leipzig) und Frank Nielsen (Sony CSL, Japan) hielten spezielle Vorträge zu diesem Thema.

Das Institut für Grundlagen der Datenwissenschaft verfolgt einen ganzheitlichen Ansatz, bei dem zentrale Aspekte intelligenter Systeme einheitlich erforscht werden. Insbesondere werden Konzepte und Methoden aus den Bereichen maschinelles Lernen, tiefe neuronale Netze, bestärkendes Lernen und verkörperte Intelligenz integriert. Die Entwicklung mathematischer Theorien spielt dabei eine zentrale Rolle und wird durch experimentelle Arbeit in einem Robotiklabor unterstützt und geleitet.

[Zitiert aus Pressemitteilung der TU Hamburg, Institute of Datascience; Closing of Conference on Mathematics of Machine Learning 2025]