Gesunde Lebensmittel

Foto: Manuel Gutjahr

Prof. Dr. Marina Höhne

Abteilungsleiterin

Abteilung: Data Science in Bioeconomy

Telefon: +49 331 5699-902
Online:
öffnet LinkedIn öffnet Google Scholar

Mitarbeit in Forschungsprogrammen


Mitwirkung in Gremien

  • Climate Change Center Berlin Brandenburg
  • ELLIS Gesellschaft, the European Laboratory for Learning and Intelligent Systems
  • Berlin AI Competence Center BIFOLD, the Berlin Institute for the Foundations of Learning and Data

Projekte


Veröffentlichungen


Weitere Veröffentlichungen

  • Gautam, S., Höhne, M. M.-C., Hansen, S., Jenssen, R., & Kampffmeyer, M. (2022). Demonstrating The Risk of Imbalanced Datasets in Chest X-ray Image-based Diagnostics by Prototypical Relevance Propagation. In 2022 IEEE 19th International Symposium on Biomedical Imaging (ISBI) (pp. 1-5). IEEE
  • Hedström, A., Weber, L., Bareeva, D., Motzkus, F., Samek, W., Lapuschkin, S., and Höhne, M. M.-C. (2022). Quantus: an explainable AI toolkit for responsible evaluation of neural network explanations. arXiv preprint arXiv:2202.06861
  • Mieth, B., Rozier, A., Rodriguez, J. A., Höhne, M.M.-C., Görnitz, N., & Müller, K. R. (2021): DeepCOMBI: explainable artificial intelligence for the analysis and discovery in genome-wide association studies. NAR Genomics and Bioinformatics, 3(3), lqab065
  • Bykov, K., Deb, M., Grinwald, D., Müller, K.R. and Höhne, M.M.-C., 2022. DORA: Exploring outlier representations in Deep Neural Networks. arXiv preprint arXiv: 2206.04530
  • Bykov, K., Hedström, A., Nakajima, S., and Höhne, M.M.-C. (2021): NoiseGrad: enhancing explanations by introducing stochasticity to model weights. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 36, No. 6, pp. 6132-6140)
  • Bykov, K., Höhne, M.M.-C., Creosteanu, A., Müller, K.-R., Klauschen, F., Nakajima, S., & Kloft, M. (2021). Explaining bayesian neural networks. arXiv preprint arXiv:2108.10346
  • Mieth, B., Hockley, J. R., Görnitz, N., Vidovic, M.M.-C., Müller, K. R., Gutteridge, A., and Ziemek, D. (2019): Using transfer learning from prior reference knowledge to improve the clustering of single-cell RNA-Seq data. Scientific reports, 9(1), 1-14
  • Vidovic, M.M.-C., Kloft M., Müller K.-R., and Görnitz N., 2017. ML2motif – Reliable extraction of discriminative sequence motifs from learning machines. PloS one 12.3, e0174392
  • Vidovic M.M.-C., Görnitz N., Müller K.-R., and Kloft M., 2016. Feature importance measure for non-linear learning algorithms. arXiv preprint arXiv:1611.07567
  • Vidovic, M.M.-C., Hwang H.J., Amsüss S., Hahne J.M., Farina D., and Müller K.-R. (2016): Improving the robustness of myoelectric pattern recognition for upper limb prostheses by covariate shift adaptation. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24.9,  961-970
  • Vidovic, M.M.-C., Görnitz N., Müller K.-R., Rätsch G., and Kloft M. (2015): SVM2Motif Reconstructing Overlapping DNA Sequence Motifs by Mimicking an SVM Predictor. PloS one  10.12, e0144782

Cookies

Wir verwenden Cookies. Einige von ihnen sind erforderlich, um Ihnen Inhalte und Funktionen bestmöglich anzubieten, andere helfen uns, unsere User anonymisiert besser zu verstehen (Matomo). Datenschutzerklärung

Notwendig erforderlich

Notwendige Cookies sind für die ordnungsgemäße Funktion der Website unbedingt erforderlich. Diese Kategorie enthält nur Cookies, die grundlegende Funktionen und Sicherheitsmerkmale der Website gewährleisten. Diese Cookies speichern keine persönlichen Informationen.

Cookie Dauer Beschreibung
PHPSESSID Session Speichert Ihre aktuelle Sitzung mit Bezug auf PHP-Anwendungen und gewährleistet so, dass alle Funktionen der Seite vollständig angezeigt werden können. Mit Schließen des Browsers wird das Cookie gelöscht.
bakery 24 Stunden Speichert Ihre Cookie-Einstellungen.
fe_typo_user Session Wird verwendet, um eine Session-ID zu identifizieren, wenn man sich am TYPO3-Frontend einloggt.
__Secure-typo3nonce_xxx Session Sicherheitsrelevant. Zur internen Verwendung durch Typo3.
Analyse

Über Cookies dieser Kategorie lernen wir aus dem Verhalten der Besucher auf unserer Website und können so relevante Informationen noch schneller erreichbar machen.

Cookie Dauer Beschreibung
_pk_id.xxx 13 Monate Matomo – User-ID (zur anonymen statistischen Auswertung der Besucherzugriffe; ermittelt, um welchen User es sich handelt)
_pk_ses.xxx 30 Minuten Matomo – Session-ID (zur anonymen statistischen Auswertung der Besucherzugriffe; ermittelt, um welche Sitzung es sich handelt)