Robust Topological Representation Learning

von Rohrscheidt, Julius Christopher

Julius Christopher von Rohrscheidt

If you experience problems opening the document, please try this link.

Original title:: Robust Topological Representation Learning
Translated title:: Robuste Topologische Lernmethoden
Author:: von Rohrscheidt, Julius Christopher
Year:: 2026
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Institution:: Professur für Angewandte und Computergestützte Topologie (Prof. Bauer)
Advisor:: Grossenbacher-Rieck, Bastian (Prof. Dr.)
Referee:: Grossenbacher-Rieck, Bastian (Prof. Dr.); Kwitt, Roland (Prof. Dr.)
Language:: en
Subject group:: MAT Mathematik
TUM classification:: MAT 530
Abstract:: This thesis enhances machine learning by integrating topological and geometric methods to address limitations in modeling complex, high-dimensional data. We develop techniques for detecting singularities, analyzing graph structures, integrating topology into Bayesian workflows, and studying the geometry of language models to improve interpretability and robustness beyond standard approaches.
Translated abstract:: Diese Arbeit erweitert maschinelles Lernen durch den Einsatz topologischer und geometrischer Methoden, um Grenzen bei der Modellierung komplexer, hochdimensionaler Daten zu überwinden. Wir entwickeln Verfahren zur Erkennung von Singularitäten, zur Analyse von Graphstrukturen, zur Integration topologischer Konzepte in Bayesianische Verfahren und zur Untersuchung der Geometrie von Sprachmodellen, um Interpretierbarkeit und Robustheit über klassische Ansätze hinaus zu verbessern.
WWW:: https://mediatum.ub.tum.de/?id=1783572
Date of submission:: 16.06.2025
Oral examination:: 06.03.2026
File size:: 11787248 bytes
Pages:: 180
Urn (citeable URL):: https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260306-1783572-0-4
Published:: 16.04.2026
BibTeX