Bernhard Schölkopf (geboren am 20. Februar 1968) ist ein deutscher Informatiker, der für Beiträge zum maschinellen Lernen bekannt ist, insbesondere bei Kernel-Methoden und Kausalität. Er ist Direktor am Max-Planck-Institut für Intelligente Systeme in Tübingen, Deutschland, und leitet die Abteilung für Empirische Inferenz. Darüber hinaus ist er Professor an der ETH Zürich, Honorarprofessor an der Universität Tübingen und der Technischen Universität Berlin sowie Vorsitzender des European Laboratory for Learning and Intelligent Systems (ELLIS).
Seine Arbeit verbindet statistisches Lernen mit kausaler Inferenz, mit dem Ziel, Algorithmen robust gegenüber Verteilungsverschiebungen zu machen. Schölkopf hat mehrere Forschungsinitiativen mitgegründet und in Redaktionsausschüssen mitgewirkt, wodurch er die moderne Forschung im maschinellen Lernen geprägt hat.
Forschung zu Kernel-Methoden
Schölkopfs frühe Arbeit konzentrierte sich auf Support-Vektor-Maschinen (SVMs) und kernelbasierte Algorithmen. In den späten 1990er Jahren erzielten er und Kollegen mit SVM-Methoden Spitzenleistungen beim MNIST-Handschrifterkennungs-Benchmark. Dieser Erfolg verdeutlichte das Potenzial von Kernel-Methoden für die Mustererkennung.
Ein zentraler Beitrag war die Einführung der Kernel-Hauptkomponentenanalyse (Kernel-PCA), die die klassische PCA auf nichtlineare Einstellungen durch reproduzierende Kernel verallgemeinerte. Diese Arbeit zeigte, dass SVMs als Spezialfall einer breiteren Klasse von Algorithmen betrachtet werden können, die in Form von Skalarprodukten ausgedrückt werden, sofern die Kernel-Gram-Matrix positiv definit ist. Sie erweiterte auch die Anwendbarkeit von Kernel-Methoden über vektorielle Daten hinaus, solange eine gültige Kernel-Funktion definiert werden konnte.
Schölkopf erweiterte Kernel-Methoden weiter auf Regression, Klassifikation mit vorgegebener Sparsity sowie Support- und Quantilschätzung, in Zusammenarbeit mit Forschern wie Alex Smola. Er bewies einen Representer-Theorem, der zeigt, dass Lösungen vieler kernelbasierter regularisierter Optimierungsprobleme in reproduzierenden Kernel-Hilbert-Räumen die Form von Kernel-Entwicklungen auf Trainingsdaten annehmen. Er entwickelte auch Kernel-Einbettungen von Verteilungen mit, die mit Unabhängigkeitstests und Konzepten aus der Physik wie der Fraunhofer-Beugung verknüpft sind.
Kausale Inferenz
Um 2005 verlagerte Schölkopf seinen Forschungsschwerpunkt auf kausale Inferenz. Er erkannte, dass maschinelles Lernen typischerweise statistische Abhängigkeiten ausnutzt, während kausales Wissen Vorhersagen unter Interventionen und Verteilungsverschiebungen ermöglicht. Seine Gruppe befasste sich mit kausaler Entdeckung in Zwei-Variablen-Settings und verband dies mit algorithmischer Informationstheorie.
2011 hielt er die NeurIPS-Keynote über „Learning causes and causal learning", die kausale Ideen einem breiten Publikum im maschinellen Lernen näherbrachte. Seine spätere Arbeit betonte die Unabhängigkeit kausaler Mechanismen und Invarianzprinzipien, um Lernen robust gegenüber Verteilungsänderungen zu machen. Dieses Framework fand praktische Anwendung in der Astronomie, wo Methoden aus seinem Labor halfen, neue Exoplaneten zu identifizieren, darunter K2-18b, bei dem später Wasserdampf in seiner Atmosphäre nachgewiesen wurde.
Ausbildung und Karriere
Schölkopf studierte Mathematik, Physik und Philosophie in Tübingen und London und erwarb einen Master-Abschluss an der University of London sowie ein Diplom in Physik an der Universität Tübingen. Während seiner Doktorarbeit arbeitete er bei Bell Labs in New Jersey mit Vladimir Vapnik zusammen, der seine Dissertation an der TU Berlin mitbetreute; er schloss die Promotion 1997 ab. Seine Dissertation wurde mit dem Jahrespreis der Gesellschaft für Informatik ausgezeichnet.
Nach Positionen in Cambridge und New York wurde er 2001 Abteilungsleiter am Max-Planck-Institut für biologische Kybernetik. 2011 wechselte er als Direktor an das neu gegründete Max-Planck-Institut für Intelligente Systeme. Er gründete die Machine Learning Summer School-Reihe mit Alex Smola, das Cambridge-Tübingen-PhD-Programm und das Max-Planck-ETH-Zentrum für Lernsysteme mit. 2016 war er Mitgründer des Cyber Valley-Forschungskonsortiums in Stuttgart-Tübingen, einer öffentlich-privaten Partnerschaft für KI-Forschung.
Schölkopf war Herausgeber mehrerer Zeitschriften, darunter Mitgründer des Journal of Machine Learning Research (JMLR) und Co-Chefredakteur. Sein Labor hat zahlreiche einflussreiche Forscher ausgebildet, darunter Ulrike von Luxburg, Carl Rasmussen, Matthias Hein, Gunnar Rätsch und Samy Bengio (obwohl nicht aus seinem Labor; tatsächliche Alumni umfassen Arthur Gretton, Stefanie Jegelka und andere). Er war auch in Beiräten für KI-Initiativen wie OpenPanel und Essential AI tätig.
Beiträge zur kausalen Inferenz
Ab etwa 2005 verlagerte sich Schölkopfs Forschung hin zur Verwendung kausaler Modelle im maschinellen Lernen. Er argumentierte, dass kausale Mechanismen statistische Abhängigkeiten in Daten erzeugen, Standardmethoden jedoch nur letztere ausnutzen; explizites kausales Wissen verbessert die Generalisierung unter Verteilungsverschiebungen. Er behandelte das Problem der kausalen Entdeckung mit zwei Variablen und verband es mit Unabhängigkeit von Mechanismen und Invarianzannahmen.
Seine Ideen erreichten ein breites Publikum durch eine Keynote bei NeurIPS 2011 und ein Tutorial bei ICML 2017. Seine Gruppe entwickelte Algorithmen zur Ableitung kausaler Richtungen aus Beobachtungsdaten und wandte diese auf Probleme in Klimawissenschaft und Astrophysik an. Diese Arbeit trug zur Entdeckung von Exoplaneten bei, einschließlich K2-18b, bei dem später Wasserdampf in seiner Atmosphäre identifiziert wurde.
Ausbildung und Karriere
Schölkopf studierte Mathematik, Physik und Philosophie an der Universität Tübingen und der University of London, unterstützt von der Studienstiftung des deutschen Volkes. Er gewann den Lionel Cooper Memorial Prize für seine Masterarbeit. Nach seiner Promotion unter Vapniks Anleitung hatte er Positionen an Universitäten in Cambridge und New York inne, einschließlich am NEC Research Institute.
Er gründete 2001 die Abteilung für Empirische Inferenz, die zu einer führenden Gruppe im maschinellen Lernen wurde. 2011 wurde er Gründungsdirektor des Max-Planck-Instituts für Intelligente Systeme und beaufsichtigte Forschung, die von der Theorie bis zu Anwendungen in künstlicher Intelligenz und Deep Learning reicht. Er war auch am European Laboratory for Learning and Intelligent Systems (ELLIS) beteiligt und leitet seit dessen Gründung den Vorstand des Netzwerks.
Ehrungen und Mitgliedschaften
Schölkopf hat mehrere Auszeichnungen erhalten, darunter den Royal Society Milner Award und den BBVA Foundation Frontiers of Knowledge Award (geteilt mit Vladimir Vapnik und Isabelle Guyon). Er wurde 2026 zum Fellow der Royal Society gewählt. Seit Ende 2023 ist er Beiratsmitglied des französischen gemeinnützigen KI-Labors Kyutai, finanziert von Xavier Niel, Eric Schmidt und anderen.
Seine umfangreiche Publikationsliste umfasst Monographien über Kernel-Methoden und kausale Inferenz, und er bleibt einer der am häufigsten zitierten Forscher in der Informatik. Seine Arbeit hat Theorie und Praxis verbunden und Bereiche wie Mustererkennung, Neuroimaging und Klimawissenschaft beeinflusst.
Externer Einfluss
Schölkopfs Ideen haben die moderne KI-Forschung geprägt. Seine kernelbasierten Techniken, obwohl in einigen Bereichen teilweise durch Deep Learning ersetzt, bleiben grundlegend für das Verständnis hochdimensionaler Daten. Sein Framework zur kausalen Inferenz wird zunehmend mit neuronalen Netzwerk-Modellen integriert, was robustere und interpretierbarere maschinelle Lernsysteme ermöglicht. Er hat auch zu politischen Diskussionen über KI-Ethik und -Sicherheit beigetragen und an der IEEE Global Initiative on Ethically Aligned Design teilgenommen.