Rohde & Schwarz Best Bachelor Award 2019

Weißenberger, Stefan

Preisträger Stefan Weißenberger mit Dr. Florian Hug von Rohde & Schwarz. Foto: T. Jochim

Zum vierten Mal verlieh der Elektronikkonzern Rohde & Schwarz GmbH & Co. KG im Rahmen des Absolventenfestes der TUM Informatik den Best Bachelor Award. Prämiert wurde die Bachelor-Arbeit „Generalized Diffusion for Learning on Graphs“ (Lehrstuhl: Prof. Stephan Günnemann) von Stefan Weißenberger. Der Ausgezeichnete durfte sich über ein Preisgeld von 1.000 EUR freuen. Überbringer der Urkunde war Dr. Florian Hug von der Rohde & Schwarz GmbH & Co. KG.

Mit seiner umfangreichen Abschlussarbeit über die Verwendung von Diffusion für das Maschinelle Lernen auf Graphen hat Stefan Weißenberger einen wesentlichen Beitrag in diesem zukunftsträchtigen Forschungsgebiet geleistet und sich damit ohne jeden Zweifel diese Anerkennung verdient.

Seine Arbeit untersucht, wie lernende Algorithmen, die mit Graph-Daten (z.B. sozialen Netzwerken) arbeiten, verbessert werden können, indem sie nicht nur die direkten Nachbarn jedes Knotens, sondern eine größere, kontinuierlich gewichtete Nachbarschaft berücksichtigen. Dabei hat er gezeigt, dass dieses Ziel mit Hilfe von graph-basierter Diffusion erreicht werden kann und dass dieser Ansatz für eine breite Menge von Algorithmen zu besseren Vorhersagen auf echten Datensätzen führt. Diese Erkenntnis hat er bereits als Co-Autor in einem Paper publiziert, das im Rahmen der NeurIPS 2019, der größten Konferenz im Bereich Machine Learning, einem internationalen Publikum vorgestellt wurde. Darauf aufbauend hat er zudem untersucht, wie man die verwendete Diffusion voll-automatisch an den jeweiligen Graphen anpassen kann, um verschiedene Typen von Graphen und Nachbarschaftsstrukturen ideal behandeln zu können. Schließlich hat er einen einfachen, aber effektiven Ansatz entwickelt, um Graphen mit Hilfe von Diffusion und neuronalen Netzen voneinander zu unterschieden und zu klassifizieren.

Mit dieser umfangreichen Arbeit hat Herr Weißenberger gezeigt, wie universell Diffusion für lernende Algorithmen auf Graphen anwendbar ist, und wesentliche Schritte dabei geleistet, diese Erkenntnis in der Praxis nutzbar zu machen. Diese herausragenden Ergebnisse konnte er nur dank seines großen Fleißes und Einsatzes, seiner schnellen Auffassungsgabe und seiner gründlichen Arbeitsweise erzielen, die er im Laufe dieser Arbeit demonstriert hat.