Jedes Jahr zeichnet MDSI drei herausragende Arbeiten aus, die im Vorjahr von Gruppen von MDSI-Kernmitgliedern veröffentlicht wurden. Wie in den vergangenen Jahren wurde der erste Platz wird mit 1.000 Euro prämiert, der Zweitplatzierte erhielt 500 Euro und der dritte Platz eine ehrenvolle Erwähnung. Alle drei Gewinner bekamen eine Urkunde des MDSI überreicht.
Erster Platz
Die mit dem ersten Preis ausgezeichnete Arbeit „DiffRF: Rendering-Guided 3D Radiance Field Diffusion“ beschreibt eine Methode, die es ermöglicht, 3D-Modelle wie z.B. verschiedene Arten von Stühlen und Tischen aus einfachen natürlichsprachlichen Eingaben zu generieren.
Erstautor Norman Müller und seine Kollegen aus der Gruppe von Prof. Matthias Nießner an der TUM und den Meta Reality Labs Zürich präsentieren das Rendering von Modellen aus beliebigen Blickwinkeln und bieten damit neue Möglichkeiten gegenüber Bildmodellen, die die Synthese auf eine einzige, feste Ansicht beschränken. Ihr Ansatz basiert auf der „Denoising-Diffusion“-Methode und beinhaltet das Training eines Modells, um einen diffusen Input allmählich zu entrauschen, was die Synthese von hochrealistischen Bildern aus Gauß'schem Rauschen ermöglicht.
Die Veröffentlichung wurde von der Conference on Computer Vision and Pattern Recognition als „Highlight“ ausgezeichnet und wurde zum Zeitpunkt ihres Erscheinens zum beliebtesten ML arXiv-Paper.
Zweiter Platz
In ihrer Veröffentlichung „Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications“, die mit dem zweiten Preis ausgezeichnet wurde, stellen Kamilia Zaripova und ihre Kollegen aus der Gruppe von Prof. Nassir Navab eine neuartige Architektur für neuronale Graphen-Netzwerke vor. Das Modell, das als Graph-in-Graph (GiG) bezeichnet wird, nutzt die graphische Darstellung von Daten und ihre latenten Beziehungen, um neue Zusammenhänge zu finden.
GiG ist die erste Methode, die Graphen direkt als Input-Datenquelle nutzt, um Populations-/Beziehungsgraphen zu erhalten. Das ermöglicht die Modellierung komplexer Abhängigkeiten auf eine neuartige und theoretisch überzeugende Weise. Die interdisziplinäre Anwendung des GiG-Modells auf biologische Daten und Daten aus dem Gesundheitswesen zeigt dessen Nutzen in kritischen Bereichen, die sich auf die menschliche Gesundheit auswirken, und schlägt eine Brücke zwischen fortschrittlichen Techniken des maschinellen Lernens und praktischen Anwendungen im Gesundheitswesen. Darüber hinaus widmet sich das GiG-Modell der herausfordernden Fragestellung von Vertrauenswürdigkeit von Modellen im Gesundheitswesen, indem es latente Strukturen explizit macht.
Ehrenvolle Erwähnung
Arthur Kosmala und seine Kollegen aus der Gruppe von Prof. Stephan Günnemann veröffentlichten eine interdisziplinäre Arbeit über „Ewald-based Long-Range Message Passing for Molecular Graphs“. Damit legten sie einen Grundstein für die Vereinheitlichung von Genauigkeit und Effizienz der neuronalen Eigenschaftsvorhersage in dem breiten Spektrum von Systemen, die von long-range Wechselwirkungen beeinflusst werden.
In ihrer herausragenden Rolle als „Computermikroskop“ hat die molekulare Modellierung unsere Fähigkeit zur Vorhersage von Molekül- und Materialeigenschaften in Bezug auf ihr atomistisches Verhalten entscheidend verbessert. Die Theorie, die Kosmalas Methode zugrunde liegt, sowie die erheblichen Verbesserungen, die durch ihre praktische Umsetzung erzielt wurden, spiegeln den absoluten Mehrwert der Kombination von physikalischem Wissen zu Domänenstrukturen und modernstem Know-how im Bereich des maschinellen Lernens wider.
Links:
1. Platz: Norman Müller et al., "DiffRF: Rendering-Guided 3D Radiance Field Diffusion", CVPR 2023.
2. Platz: Kamilia Zaripova et al. "Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications", MedAI 2023.
Ehrenvolle Erwähnung: Arthur Kosmala et al. "Ewald-based Long-Range Message Passing for Molecular Graphs", PMLR 202:17544-17563, 2023.