Kamp-Labor
Vertrauenswürdiges maschinelles Lernen für verteilte Umgebungen und Umgebungen mit hohem Risiko
Das Kamp Lab ist eine Forschungsgruppe für maschinelles Lernen und künstliche Intelligenz an der Technischen Universität Dortmund. Wir entwickeln prinzipienbasierte und praxisorientierte Methoden des maschinellen Lernens für Umgebungen, in denen Daten sensibel, verteilt, heterogen oder schwer zu zentralisieren sind und in denen die Folgen automatisierter Entscheidungen besondere Sorgfalt erfordern. Das Labor wird von Prof. Dr. Michael Kamp geleitet, außerordentlicher Professor für maschinelles Lernen und künstliche Intelligenz an der Technischen Universität Dortmund und Mitglied des Lamarr-Instituts für maschinelles Lernen und künstliche Intelligenz. Das Kamp Lab unterhält zudem enge Forschungsbeziehungen zum Institut für Künstliche Intelligenz in der Medizin an der Universitätsmedizin Essen, insbesondere in den Bereichen vertrauenswürdiges maschinelles Lernen, Federated Learning und medizinische KI.
Unsere Forschungsschwerpunkte
Gemeinsames Modelltraining über verteilte Datenquellen hinweg, ohne sensible Informationen zu zentralisieren.
Theoretische und algorithmische Methoden zum Verständnis von Generalisierung, Struktur und kausalen Zusammenhängen.
Zuverlässige und robuste Lernverfahren für Anwendungen, bei denen Fehler, Unsicherheit und Nachvollziehbarkeit eine Rolle spielen.
Datenschutzbewusstes und klinisch relevantes maschinelles Lernen, das in Zusammenarbeit mit Partnern aus der medizinischen Forschung entwickelt wurde.
Ein zentraler Schwerpunkt unserer Arbeit ist das föderierte und dezentrale Lernen. Anstatt sensible Daten an einen zentralen Ort zu übertragen, entwickeln wir Ansätze, die es Modellen ermöglichen, über verteilte Datenquellen hinweg gemeinsam zu lernen. Diese Methoden berücksichtigen den Datenschutz, die Dateneigentumsrechte, institutionelle Grenzen sowie die praktischen Einschränkungen realer Einsatzumgebungen.
Wir verbinden theoretische Analysen mit der Entwicklung und Bewertung von Systemen des maschinellen Lernens. Unsere Arbeit umfasst Forschung zu Generalisierung im Deep Learning, zum Lernen kausaler Strukturen, zum föderierten semi-überwachten Lernen, zum datenschutzkonformen Modelltraining sowie zur KI-gestützten Entscheidungsfindung in der Medizin und anderen Bereichen mit hoher Risikobelastung.Unsere Forschung erfolgt in enger Zusammenarbeit mit Partnern aus Wissenschaft, Medizin und interdisziplinären Bereichen. Zu unseren jüngsten Aktivitäten zählen preisgekrönte Arbeiten zum Lernen kausaler Strukturen, Veröffentlichungen auf führenden Konferenzen zum maschinellen Lernen wie AAAI und NeurIPS sowie die Entwicklung datenschutzkonformer Lerninfrastrukturen für reale Gesundheitsnetzwerke im Rahmen von Projekten wie FLIP-IT.
Durch diese Kombination aus theoretischen Grundlagen, interdisziplinärer Zusammenarbeit und praktischer Relevanz möchten wir zu Systemen des maschinellen Lernens beitragen, die nicht nur präzise, sondern auch vertrauenswürdig, verantwortungsbewusst und für den Einsatz in der Gesellschaft geeignet sind.
- Wir sind unglaublich stolz auf unseren Postdoktoranden Osman Mian, der für seine Arbeit zumThema „Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis“mit dem AAAI Outstanding Paper Award 2026 ausgezeichnet wurde.
- Unser Projekt FLIP-IT zum föderierten Lernen in einem Netzwerk von Hausärzten startete im Januar 2026. Das Projekt wird von KI.NRW (EFRE) gefördert und hat zum Ziel, eine vertrauenswürdige und sichere Infrastruktur für föderiertes Lernen in Hausarztpraxen aufzubauen. Damit werden wir Frühwarnmodelle für chronische Nierenerkrankungen trainieren, um Patienten vor Nierenversagen und Dialyse zu schützen.
- Unsere Doktorandin Ting Han sowie unsere Kollegen Linara Adilova, Henning Petzka, Jens Kleesiek und Michael Kamp veröffentlichten auf der NeurIPS 2025 (A*, Top 7 %) einen Beitrag zum Thema„Flatness is Necessary, Neural Collapse is Not: Rethinking Generalization via Grokking“auf der NeurIPS 2025 (A*, Top 7 %)
- Unsere Kollegen Linara Adilova, Bruno Casella, Samuele Fonio, Mirko Polato und Michael Kamp organisieren den Workshop zum Thema „Federated Learning in Critical Applications“ auf der AAAI 2026 in Singapur.
- Wir präsentieren zwei Beiträge auf der AAAI 2025 (A*, Top 7 %): Amr Abourayya, Jens Kleesiek, Kanishka Rao, Erman Ayday, Bharat Rao, Geoffrey I. Webb und Michael Kamp veröffentlichten einen Beitrag zum Thema„Little is Enough: Boosting Privacy by Sharing Only Hard Labels in Federated Semi-Supervised Learning“, und Sebastian Dalleiger, Jilles Vreeken und Michael Kamp veröffentlichten einen Beitrag zum Thema„Federated Binary Matrix Factorization using Proximal Optimization“.
Wir sind außerdem Teil des Krebsforschungszentrums Köln-Essen (CCCE). Darüber hinaus ist Jens Kleesiek Projektleiter im Deutschen Krebskonsortium (DKTK) und an der Helmholtz-Schule für Informations- und Datenwissenschaft im Gesundheitswesen. Es besteht eine enge Zusammenarbeit mit dem Deutschen Krebsforschungszentrum (DKFZ) bei der Entwicklung der Joint Imaging Platform (JIP) für verteilte Datenanalyse und föderiertes Lernen.