Zur JKU Startseite
Institut für Machine Learning
Was ist das?

Institute, Schools und andere Einrichtungen oder Angebote haben einen Webauftritt mit eigenen Inhalten und Menüs.

Um die Navigation zu erleichtern, ist hier erkennbar, wo man sich gerade befindet.

Ass.-Prof. Dr. Johannes Brandstetter

ELLIS Researcher am AMLab Amsterdam, 
Researcher bei Microsoft Research Amsterdam

Forschungsthemen

  • Geometric Deep Learning (Graph Networks, Equivariant Networks)   -- daran arbeite ich jetzt gerade!
  • Physics-inspired and physics-informed machine learning -- daran arbeite ich jetzt gerade!
  • Modeling of Dynamical Systems and Partial Differential Equations -- daran arbeite ich jetzt gerade!
  • Hopfield Networks, Transformers and Associative Memories -- das ist schon ein bisschen her
  • Few Shot Learning, Representation Learning -- das ist schon ein bisschen her
  • Reinforcement Learning -- das ist schon ein bisschen her
  • Generative Modeling -- das ist schon ein bisschen her
  • Particle Physics (Higgs boson physics) -- das ist schon länger her (Ich kann zwar leider nicht behaupten, das Higgs Boson entdeckt zu haben, aber je ich war einer der ForscherInnen, die dessen wichtigsten Eigenschaften vermessen haben).

Ausgewählte Publikationen

Für eine komplette Publikationsliste, schau auf mein Google Scholar, öffnet eine externe URL in einem neuen Fenster Profil. 

 

2022

[1] Johannes Brandstetter, Max Welling, Daniel Worrall (2022). Lie Point Symmetry Data Augmentation for Neural PDE Solvers. [PDF], öffnet eine externe URL in einem neuen Fenster

[2] Johannes Brandstetter*, Daniel Worrall*, Max Welling (2022). Message Passing Neural PDE Solvers. Accepted at International Conference on Learning Representations 2022. ICLR 2022 SPOTLIGHT PAPER. [PDF], öffnet eine externe URL in einem neuen Fenster

2021

[1] Thomas Adler, Manuel Erhard, Mario Krenn, Johannes Brandstetter, Johannes Kofler, and Sepp Hochreiter (2021). Quantum optical experiments modeled by long short-term memory. Photonics 8 (12), 535. [PDF], öffnet eine externe URL in einem neuen Fenster

[2] Johannes Brandstetter*, Rob Hesselink*, Elise van der Pol, Erik Bekkers, and Max Welling (2021). Geometric and Physical Quantities Improve E(3) Equivariant Message Passing.  Accepted at International Conference on Learning Representations 2022. ICLR 2022 SPOTLIGHT PAPER. [PDF], öffnet eine externe URL in einem neuen Fenster

[3] Andreas Mayr, Sebastian Lehner, Arno Mayrhofer, Christoph Kloss, Sepp Hochreiter, and Johannes Brandstetter (2021). Boundary graph neural networks for 3d simulations. [PDF], öffnet eine externe URL in einem neuen Fenster

[4] Andreas Mayr, Sebastian Lehner, Arno Mayrhofer, Christoph Kloss, Sepp Hochreiter, and Johannes Brandstetter (2021). Learning 3D Granular Flow Simulations. Published as a workshop paper at ICLR 2021 SimDL Workshop[PDF], öffnet eine externe URL in einem neuen Fenster

[5] Andreas Mayr, Johannes Brandstetter (2021). Boundary graph neural networks for 3d simulations. Blog post. [Link], öffnet eine externe URL in einem neuen Fenster

[6] Daniel Klotz, Frederik Kratzert, Martin Gauch, Alden Keefe Sampson, Johannes Brandstetter, Günter Klambauer, Sepp Hochreiter, and Grey Nearing (2021). Uncertainty estimation with deep learning for rainfall-runoff modelling. Hydrology and Earth System Sciences Discussions 1-32. [PDF], öffnet eine externe URL in einem neuen Fenster

 

2020 

[1] Michael Widrich, Bernhard Schäfl, Hubert Ramsauer, Milena Pavlović, Lukas Gruber, Markus Holzleitner, Johannes Brandstetter, Geir Kjetil Sandve, Victor Greiff, Sepp Hochreiter and Günter Klambauer (2020). Modern Hopfield networks and attention for immune repertoire classification. Conference on Advances in Neural Information Processing Systems 2020. Spotlight Paper[PDF], öffnet eine externe URL in einem neuen Fenster

[2] Hubert Ramsauer, Bernhard Schäfl, Johannes Lehner, Philipp Seidl, Michael Widrich, Lukas Gruber, Markus Holzleitner, Milena Pavlović, Geir Kjetil Sandve, Victor Greiff, David Kreil, Michael Kopp, Günter Klambauer, Johannes Brandstetter, and Sepp Hochreiter (2020). Hopfield networks is all you need. International Conference on Learning Representations 2021[PDF], öffnet eine externe URL in einem neuen Fenster

[3] Vihang P Patil, Markus Hofmarcher, Marius-Constantin Dinu, Matthias Dorfer, Patrick M Blies, Johannes Brandstetter, Jose A Arjona-Medina, and Sepp Hochreiter (2020). Align-RUDDER: Learning From Few Demonstrations by Reward Redistribution. [PDF], öffnet eine externe URL in einem neuen Fenster

[4] Thomas Adler*, Johannes Brandstetter*, Michael Widrich, Andreas Mayr, David Kreil, Michael Kopp, Günter Klambauer, and Sepp Hochreiter (2020). Cross-Domain Few-Shot Learing by Representation Fusion. [PDF], öffnet eine externe URL in einem neuen Fenster

[5] Markus Holzleitner, Lukas Gruber, Jose Arjona-Medina, Johannes Brandstetter, Sepp Hochreiter (2020). Convergence Proof of Actor-Critic Methods Applied to PPO and RUDDER. Transactions on Large-Scale Data-and Knowledge-Centered Systems XLVIII, 105-130. [PDF], öffnet eine externe URL in einem neuen Fenster

[6] Johannes Brandstetter (2020). Hopfield Networks is All You Need. Blog post. [Link, öffnet eine externe URL in einem neuen Fenster]

[7] Johannes Brandstetter, Hubert Ramsauer, Markus Holzleitner, Sepp Hochreiter, and Bernhard Schäfl (2020). Looking at the Performer from a Hopfield Point of View. Blog post. [Link, öffnet eine externe URL in einem neuen Fenster]

[8] Thomas Adler*, Johannes Brandstetter* (2020). Cross-Domain Hebbian Ensemble Few Shot Learning. Blog post. [Link, öffnet eine externe URL in einem neuen Fenster]

2019

[1] Johannes Brandstetter (2019). RUDDER: Return Decomposition for Delayed Rewards. Blog post. [Link, öffnet eine externe URL in einem neuen Fenster] 

[2] Jose Arjona-Medina, Michael Gillhofer, Michael Widrich, Thomas Unterthiner, Johannes Brandstetter, and Sepp Hochreiter (2019). RUDDER: Return Decomposition for Delayed RewardsAdvances in Neural Information Processing Systems (13566-13577). [PDF], öffnet eine externe URL in einem neuen Fenster

[3] Thomas Adler, Manuel Erhard, Mario Krenn, Johannes Brandstetter, Johannes Kofler, and Sepp Hochreiter (2019). Quantum Optical Experiments Modeled by Long Short-Term MemoryNeurIPS 2019 Workshop: Machine Learning and the Physical Sciences[PDF], öffnet eine externe URL in einem neuen Fenster

[4] Frederik Kratzert, Daniel Klotz, Johannes Brandstetter, Pieter-Jan Hoedt, Grey Nearing, and Sepp Hochreiter (2019). Using LSTMs for climate change assessment studies on droughts and floods. NeurIPS 2019 Workshop: Tackling Climate Change with ML[PDF], öffnet eine externe URL in einem neuen Fenster

[5] Hubert Ramsauer, Johannes Brandstetter, Michael Gillhofer, Bernhard Schäfl, Sepp Hochreiter (2019). A GAN based solver idea for derivative-free optimization problems. NeurIPS 2019 Workshop: Science meets Engineering of Deep Learning.

[6] Michael Gillhofer, Hubert Ramsauer, Johannes Brandstetter, Bernhard Schäfl, Sepp Hochreiter (2019). A GAN based solver of black-box inverse problems. NeurIPS 2019 Workshop: Solving inverse problems with deep networks.

Betreute Masterarbeiten 

  •  Analysis of Integral Probability Metrics for Generative Adversarial Networks, Lukas Gruber (2019)
  •  Semantic Segmentation of Different Polymers in Hyperspectral Images using Deep Neural Networks, Kristina Duswald (2022)

Lehre

  • 2018: Exercises in Machine Learning: Supervised Techniques, Lecturer, JKU Linz
  • 2018: Lecture in Numerical and Symbolic Methods for Bioinformatics, Lecturer, JKU Linz
  • 2019: Exercises in Machine Learning: Unsupervised Techniques, Lecturer, JKU Linz
  • 2019: Exercises in Theoretical Concepts of Machine Learning, Lecturer, JKU Linz
  • 2019: Lecture in Machine Learning: Supervised Techniques, Lecturer, JKU Linz
  • 2019: Exercises in Machine Learning: Supervised Techniques, Lecturer, JKU Linz
  • 2019: Lecture in Hands-on AI I, Lecturer, JKU Linz
  • 2019: Lecture in Programming in Python I, Co-Lecturer, JKU Linz
  • 2020: Lecture in Hands-on AI II, Lecturer, JKU Linz
  • 2020: Lecture in Deep Learning and Neural Nets II, Co-Lecturer, JKU Linz
  • 2020: Lecture in Hands-on AI I, Lecturer, JKU Linz
  • 2020: Exercises in Hands-on AI I, Lecturer, JKU Linz

Externe Lehre

  • ÖAW AI Summer School 2019, Deep Learning Lecture series. (Homepage)

Persönliche Daten/Ausbildung

  • Geboren am 25 September 1989
  • BSc Technische Physik (TU Wien), Oktober 2009 - Juli 2012
  • MSc Technische Physik (TU Wien), Oktober 2012 - November 2014
  • PhD High Energy Physics (CERN, HEPHY Vienna), Verteidigung im Mai 2018 (PhD Thesis)
  • Post-Doc am Institut für Machine Learning (JKU Linz), Juli 2018 - Juli 2020
  • Assistant Professor (Tenure Track, JKU Linz), August 2020 - ongoing
  • ELLIS Research an Universität von Amsterdam (bei Max Welling), Jänner 2021 - Jänner 2022
  • Seit Jänner 2022 bin ich Researcher im neuen Microsoft Lab in Amsterdam.