Die 42. International Conference on Machine Learning (ICML) findet vom 13. bis 19. Juli 2025 in Vancouver, Kanada, statt.
Diese führende internationale Konferenz vereint Experten aus aller Welt, die sich der Weiterentwicklung des Maschinellen Lernens widmen – einem zentralen Bereich der Künstlichen Intelligenz.
Die ICML ist bekannt dafür, innovative Forschungsergebnisse zu präsentieren und zu veröffentlichen, die alle Facetten des Maschinellen Lernens abdecken und enge Verbindungen zu Disziplinen wie Künstlicher Intelligenz, Statistik und Data Science aufweisen. Darüber hinaus werden bedeutende Anwendungsfelder wie Computer Vision, Computational Biology, Sprachverarbeitung und Robotik hervorgehoben.
Auf der ICML 2025 wird das ELLIS Institute Tübingen seine neuesten Forschungsergebnisse vorstellen und damit sein Engagement für Fortschritte im Bereich des Maschinellen Lernens unterstreichen.
Im Folgenden finden Sie die Beiträge der Principal Investigators und Gruppenleiter:innen des ELLIS Institute Tübingen (in Fettdruck hervorgehoben).
| Title | List of Authors |
|---|---|
| Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models | Armin Kekić, Sergio Garrido Mejia, Bernhard Schölkopf |
| Generative Intervention Models for Causal Perturbation Modeling | Nora Schneider, Lars Lorch, Niki Kilbertus, Bernhard Schölkopf, Andreas Krause |
| Generalized Interpolating Discrete Diffusion | Dimitri von Rütte, Janis Fluri, Yuhui Ding, Antonio Orvieto, Bernhard Schölkopf, Thomas Hofmann |
| LLMs on the Line: Data Determines Loss-to-Loss Scaling Laws | Prasanna Mayilvahanan, Thaddäus Wiedemer, Sayak Mallick, Matthias Bethge, Wieland Brendel |
| LAION-C: An Out-of-Distribution Benchmark for Web-Scale Vision Models | Fanfei Li, Thomas Klein, Wieland Brendel, Robert Geirhos, Roland S. Zimmermann |
| Position: An Empirically Grounded Identifiability Theory Will Accelerate Self Supervised Learning Research | Patrik Reizinger, Randall Balestriero, David Klindt, Wieland Brendel |
| When, Where and Why to Average Weights? | Niccolò Ajroldi, Antonio Orvieto, Jonas Geiping |
| An Interpretable N-gram Perplexity Threat Model for Large Language Model Jailbreaks | Valentyn Boreiko, Alexander Panfilov, Václav Voráček, Matthias Hein, Jonas Geiping |
| Great Language Models Think Alike and this Undermines AI Oversight | Shashwat Goel, Joschka Strüber, Ilze Amanda Auzina, Karuna Chandra, Ponnurangam Kumaraguru, Douwe Kiela, Ameya Pandurang Prabhu, Matthias Bethge, Jonas Geiping |
| Bayesian Neural Scaling Laws Extrapolation with Prior-Fitted Networks | Dongwoo Lee, Dong Bok Lee, Steven Adriaensen, Juho Lee, Sung Ju Hwang, Frank Hutter, Seon Joo Kim, Hae Beom Lee |
| FairPFN: A Tabular Foundation Model for Causal Fairness | Jake Robertson, Noor Awad, Noah Hollmann, Frank Hutter, Samuel Gabriel Müller |
| Tuning LLM Judge Design Decisions for 1/1000 of the Cost | David Salinas, Omar Swelam, Frank Hutter |
| Position: The Future of Bayesian Prediction Is Prior-Fitted | Samuel Gabriel Müller, Arik Reuter, Noah Hollmann, David Rügamer, Frank Hutter |
| From Low Rank Gradient Subspace Stabilization to Low-Rank Weights: Observations, Theories, and Applications | Ajay Jaiswal, Yifan Wang, Lu Yin, Shiwei Liu, Runjin Chen, Jiawei Zhao, Ananth Grama, Yuandong Tian, Zhangyang “Atlas” Wang |
| LIFT the Veil for the Truth: Principal Weights Emerge after Rank Reduction for Reasoning-Focused Supervised Fine-Tuning | Zihang Liu, Tianyu Pang, Oleg Balabanov, Chaoqun Yang, Tianjin Huang, Lu Yin, Yaoqing Yang, Shiwei Liu |
| Mask-Enhanced Autoregressive Prediction: Pay Less Attention to Learn More | Xialie Zhuang, Zhikai Jia, Jianjin Li, Zhenyu Zhang, Li Shen, Zheng Cao, Shiwei Liu |