Seminare

Fehlerfreie Software ist ein Wunschtraum aus den Anfängen der Informatik. Die Fortstchritte im Bereich der künstliche Intelligenz werden zunehmend bei der Qualitätssicherung eingesetzt. Das Spektrum umfasst Ansätze zur Testgenerierung, zum Erkennen von Sicherheitslücken, zur Generierung von Invarianten und Spezifikationen, und auch zum Erzeugen von Beweisen.

Im Seminar besprechen wir unterschiedliche ausgewählte Ansätze und Tools aus der aktuellen Forschung und Praxis um Softwarequalität sicherzustellen. TeilnehmerInnen stellen jeweils eine Technik vor und demonstrieren diese anhand praktischer Beispiele.

Zeit: Di 16-18 (Ort wird noch bekannt gegeben)

Aufgaben

• Einarbeitung in das Thema
• Präsentation (ca 15 min)
• Schriftliche Ausarbeitung (8-10 Seiten LNCS)

Im Rahmen dieses Seminars werden ausgewählte Themen aus dem Bereich der Mobilen und Verteilten Systeme behandelt, die insbesondere aus den Forschungsschwerpunkten des Lehrstuhls stammen. In den letzten Semestern führte das zu einem Fokus auf Themen aus dem Bereich des Maschinellen Lernens und Quantencomputings.

Ein Ziel des Seminars ist auch das Erlernen bzw. Üben wissenschaftlicher Arbeitstechnik. Hierzu wird im Laufe des Semesters eine Veranstaltung zu Präsentations- und Arbeitstechnik angeboten und durch individuelles Feedback ergänzt.

Die Endnote des Seminars ergibt sich aus der Qualität der wissenschaftlichen Arbeit und der abschließenden Präsentation.

Clustering is an unsupervised learning task that aims to partition data into different groups without label information. Learning a high-quality data representation is crucial for clustering algorithms. Recently, deep clustering, which learns clustering-friendly representations using deep neural networks, has been widely applied to a broad range of clustering tasks. Existing surveys on deep clustering mainly focus on single-view settings and network architectures, while overlooking complex real-world clustering scenarios. To address this issue, this seminar explores the technological landscape of deep clustering, ranging from deep single-view clustering to deep multi-view single clustering and deep multi-view multiple clustering.

The course covers a variety of deep clustering approaches and how they partition data. It also fosters critical discussions on the rationale behind algorithmic choices, exploring key research questions and design trade-offs

Malware (d.h. Viren, Trojaner und Würmer) entwickelt sich stetig weiter. Waren die ersten Viren in den 1970er Jahren noch eher vereinzelte Experimente, schafften es in den 90er Jahren einige Schadprogramme in die Medien, bevor sich in den 2000ern vor allem E-Mail-Würmer explosionsartig ausbreiten konnten. Mittlerweile dominieren kriminelle Organisationen und Geheimdienste das Geschehen und entwickeln hochspezialisierte Malware, von Verschlüsselungs-Trojanern zur Erpressung von Lösegeldern bis zu unauffälligen Hintertüren für Spionage und Sabotage.

In diesem Seminar betrachten wir sowohl die historische Entwicklung von Malware als auch aktuelle Trends. Verfügbare Themen werden akademische Arbeiten zur Malware-Analyse und Erkennung sein, aber auch detaillierte Berichte zu einzelnen prominenten Malware Exemplaren.

Voraussetzung für das Seminar ist ein Interesse für Maschinencode und Details von Betriebssystemen.

Neben den eigentlichem Inhalt sollen auch Grundlagen des wissenschaftlichen Arbeitens vermittelt werden.

Course Overview

This course provides a comprehensive introduction to the rapidly evolving field of Large Vision-Language Models (LVLMs). The curriculum explores the fundamental concepts, historical evolution, and cutting-edge research directions of multimodal tasks.

The course will guide students through key task scenarios, including but not limited to:

• Visual Question Answering (VQA)

• Multimodal Chain-of-Thought (CoT) Reasoning

• Visual Grounding and Instruction Tuning

Instructional Method

The course is conducted entirely in English. We emphasize active, research-oriented learning. Students will:

• Engage with state-of-the-art (SOTA) academic papers.

• Participate in Collaborative Group Study and intensive seminars.

• Develop communication skills through In-class Presentations to showcase their research findings and project progress.

Pre-requisites & Requirements

To ensure a high-quality learning experience, students are expected to meet the following criteria:

1. Fundamental Knowledge: A strong interest in and basic understanding of Large Vision-Language Models. Prior experience using or experimenting with models (e.g., CLIP, LLaVA, GPT-4V) is highly preferred.

2. Academic Literacy: The ability to read, analyze, and synthesize technical academic papers efficiently.

3.  highly self-motivated. We are looking for individuals who are willing to explore the complexities of vision-language tasks and are ambitious enough to develop their own hands-on projects by the end of the course.