unbekannter Gast

Maass, Wolfgang#

* nicht bekannt


Informatiker


Maas, Wolfgang
Wolfgang Maass
© Wolfgang Maass

Wolfgang Maass promovierte (1974) und habilitierte (1978) sich im Fach Mathematik an der Ludwig-Maximilians-Universität in München.


Von 1979 bis 1984 war Maass als Heisenberg-Fellow der Deutschen Forschungsgemeinschaft am renommierten MIT der Universität von Chicago und an der Universität von Kalifornien in Berkeley tätig.
Von 1982 bis 1986 war Maass außerdem Associate Professor für Informatik an der Universität von Illinois in Chicago, bevor er dort von 1986 bis 1993 Informatikprofessor wurde.
Seit 1991 ist Wolfgang Maass Professor für Informatik an der Technischen Universität Graz und seit 1992 Institutsleiter des Institut für Grundlagen der Informationsverarbeitung an der TU Graz.

Es folgte wiederum ein Auslandsaufenthalt als Sloan-Fellow am Computational Neurobiology Lab des Salk-Institut in La Jolla (Kalifornien) 1997-98.


Von 2002 bis 2003 war Maass außerdem Gastprofessor am Brain-Mind-Institut (EPFL) in Lausanne (Schweiz).
Seit 2005 ist Maass zudem auch Adjunct Fellow des Frankfurt Institute of Advanced Studies (FIAS), seit 2008 auch Aufsichtsratsmitglied der Internationalen 'Neural Network Society'.



Werke, Publikationen (Auswahl):

  • Pulsed neural networks (1998), (Hrsg.) W. Maass & C. M. Bishop, MIT Press, 377 S.
  • Zur Kunst des formalen Denkens (2000), (Hrsg.) R. E. Burkard, W. Maass & P. Weibel, Passagen Verlag, Wien, 247 S.
  • Coding and learning of behavioral sequences (2004), O. Melamed et al. zusammen mit W. Maass, Trends in Neurosciences Vol. 27(1), S. 11-14.
  • Dynamics of information and emergent computation in generic neural microcircuit models (2005), T. Natschläger & W. Maass, Neural Networks Vol. 18(10), S. 1301-1308.
  • Methods for estimating the computational power and generalization capability of neural microcircuits (2005), W. Maass, R. Legenstein & N. Bertschinger, (Hrsg.) L. K. Saul, Y. Weiss & L. Bottou, Advances in Neural Information Processing Systems Vol. 17, MIT Press, S. 865-872.
  • Movement generation with circuits of spiking neurons (2005), P. Joshi & W. Maass, Neural Computation Vol. 17(8), S. 1715-1738.
  • What can a neuron learn with spike-timing-dependent plasticity? (2005), R. Legenstein, C. Näger & W. Maass, Neural Computation Vol. 17(11), S. 2337*2382.
  • Wire length as a circuit complexity measure (2005), R. A. Legenstein & W. Maass, Journal of Computer and System Sciences Vol. 70, S. 53*72.
  • A criterion for the convergence of learning with spike timing dependent plasticity (2006), R. Legenstein & W. Maass, (Hrsg.) Y. Weiss, B. Schölkopf & J. Platt, Advances in Neural Information Processing Systems Vol. 18, MIT Press, S. 763-770.
  • A model for the interaction of oscillations and pattern generation with real-time computing in generic neural microcircuit models’ (2006), A. Kaske & W. Maass, Neural Networks Vol. 19(5), S. 600´-609
  • Book review of "Imitation of life: how biology is inspiring computing" by Nancy Forbes (2006), Pattern Analysis and Applications Vol. 8(4), Springer Verlag, London, S. 390f
  • Energy complexity and entropy of threshold circuits (2006), K. Uchizawa, R. Douglas & W. Maass, (Hrsg.) M. Bugliesi et al., Proceedings of the 33rd International Colloquium on Automata, Languages and Programming (ICALP) Nr. 1, Venice (Italy), July 10-14, 2006, Part I, Vol. 4051 of Lecture Notes in Computer Science, Springer Verlag, S. 631*642.
  • ‚On the computational power of threshold circuits with sparse activity (2006), K. Uchizawa, R. Douglas & W. Maass, Neural Computation Vol. 18(12), S. 2994-3008
  • Principles of real-time computing with feedback applied to cortical microcircuit models (2006), W. Maass, P. Joshi & E. D. Sontag, (Hrsg.) Y. Weiss, B. Schölkopf & J. Platt, Advances in Neural Information Processing Systems Vol. 18, MIT Press, S. 835*842.
  • Theory of the computational function of microcircuit dynamics (2006), W. Maass & H. Markram, (Hrsg.) S. Grillner & A. M. Graybiel, The Interface between Neurons and Global Brain Function, Dahlem*Workshop Report Nr. 93, MIT Press, S. 371-390
  • UPs and DOWNs in cortical computation (2006), Y. Fregnac et al. zusammen mit W. Maass, (Hrsg.) S. Grillner & A. M. Graybiel, The Interface between Neurons and Global Brain Function, Dahlem-Workshop Report Nr. 93, MIT Press, S. 393*433.
  • A statistical analysis of information processing properties of lamina-specific cortical microcircuit models (2007), S. Häusler & W. Maass, Cerebral Cortex Vol.17(1), S. 149-162
  • Computational aspects of feedback in neural circuits (2007), W. Maass, P. Joshi & E. D. Sontag, PLoS Computational Biology Vol. 3(1), e165, S. 1-20
  • Edge of chaos and prediction of computational performance for neural microcircuit model’ (2007), R. Legenstein & W. Maass, Neural Networks Vol. 20(3), S. 323-334
  • Information bottleneck optimization and independent component extraction with spiking neurons (2007), S. Klampfl, R. Legenstein & W. Maass, Proc. of NIPS 2006, Advances in Neural Information Processing Systems Vol. 19, MIT Press, S. 713-720.
  • Introduction to the special issue on echo state networks and liquid state machines (2007), H. Jäger, W. Maass & J. Principe, Neural Networks Vol. 20(3), S. 287ff
  • Self-tuning of neural circuits through short-term synaptic plasticity (2007), D. Sussillo, T. Toyoizumi & W. Maass, Journal of Neurophysiology Vol. 97, S. 4079-4095
  • Spiking neurons can learn to solve information bottleneck problems and to extract independent components’ (2007), S. Klampfl, R. Legenstein & W. Maass, Neural Computation, in press.
  • Temporal dynamics of information content carried by neurons in the primary visual cortex (2007), D. Nikolic et al. zusammen mit W. Maass, Proc. of NIPS 2006, Advances in Neural Information Processing Systems Vol. 19, MIT Press, S. 1041-1048.
  • What makes a dynamical system computationally powerful? (2007), R. Legenstein & W. Maass, (Hrsg.) S. Haykin et al., New Directions in Statistical Signal Processing: From Systems to Brain, MIT Press, S. 127-154
  • A learning rule for very simple universal approximators consisting of a single layer of perceptrons (2008), P. Auer, H. Burgsteiner & W. Maass, Neural Networks Vol. 21(5), S. 786-*795
  • A learning theory for reward-modulated spike-timing-dependent plasticity with application to biofeedback (2008), R. Legenstein, D. Pecevski & W. Maass, PLoS Computational Biology Nr. 4(10), S. 1*27.
  • Hebbian learning of Bayes optimal decisions’ (2008), B. Nessler, M. Pfeiffer & W. Maass, Proc. of NIPS 2008: Advances in Neural Information Processing Systems Nr. 21
  • Inferring spike trains from local field potentials (2008), M. J. Rasch et al. zusammen mit W. Maass, Journal of Neurophysiology Vol. 99, S. 1461-1476
  • On the classification capability of sign-constrained perceptrons (2008), R. Legenstein & W. Maass, Neural Computation Vol. 20(1), S. 288*309.
  • Simplified rules and theoretical analysis for information bottleneck optimization and PCA with spiking neurons’ (2008), L. Büsing & W. Maass, Proc. of NIPS 2007, Advances in Neural Information Processing Systems, Vol. 20, MIT Press.
  • Theoretical analysis of learning with reward-modulated spike-timing-dependent plasticity (2008), R. Legenstein, D. Pecevski & W. Maass, Proc. of NIPS 2007, Advances in Neural Information Processing Systems, Vol. 20, MIT Press.


Neben den zahlreichen eigenen Publikationen war und ist Maass auch Associate Editor und Herausgeber einiger namhafter Journale:

  • Herausgeber von 'Machine Learning' (1995-1997)
  • Mitglied der Herausgeberschaft von 'Machine Learning' (1998-2000)
  • Herausgeber des 'Archive für Mathematical Logic' (1987-2000)
  • Associate Editor des 'Journal of Computer and System Sciences' (1992 bis heute)
  • Mitglied der Herausgeberschaft von 'Neurocomputing' (1994-2007)
  • Mitglied der Herausgeberschaft von 'Cognitive Neurodynamics' (2006 bis heute)
  • Herausgeber von 'Biological Cybernetics' (2006 bis heute)

Quellen#




Redaktion: N. Miljković, I. Schinnerl