{{ item.AUTOREN_ZITAT }}:
{{ item.TITEL }}{{ zitatInLang(item) }}
Von Jänner 2021 bis Jänner 2022 war ich in Max Welling's Gruppe in Amsterdam, öffnet eine externe URL in einem neuen Fenster.
Seit Jänner 2022 bin ich Researcher im neuen Microsoft Lab in Amsterdam, öffnet eine externe URL in einem neuen Fenster.
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. International Conference on Machine Learning (ICML) 2022 [PDF], öffnet eine externe URL in einem neuen Fenster
[2] Johannes Brandstetter*, Daniel Worrall*, Max Welling (2022). Message Passing Neural PDE Solvers. 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. 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. International Conference on Learning Representations 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 Rewards. Advances 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 Memory. NeurIPS 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.