Jan van Rijn
Universitair docent
- Naam
- Dr. J.N. van Rijn
- Telefoon
- +31 71 527 2727
- j.n.van.rijn@liacs.leidenuniv.nl
- ORCID iD
- 0000-0003-2898-2168
Jan N. van Rijn heeft een vaste aanstelling als universitair docent aan de Universiteit Leiden, waar hij werkzaam is bij de afdeling computerwetenschappen (LIACS) en het cluster Automated Design of Algorithms (ADA). Zijn onderzoeksinteresses omvatten betrouwbare kunstmatige intelligentie, geautomatiseerd machinaal leren (AutoML) en metalearning.
Meer informatie over Jan van Rijn
Nieuws
-
Unieke expositie vertaalt wetenschap in beeld, muziek en dans -
Niet alleen onder professoren: héle oppositie mag in toga -
Conferentie over kansen en gevaren van AI: ‘Europa heeft een gedurfde visie nodig’ -
Door samen leren en onderzoek doen, kun je dingen ontdekken die er echt toe doen -
Klantvriendelijke Nederlandstalige chatbots -
Hoe je AI-systemen beter kunt laten leren -
Twittergebruik helpt bij voorspellen wateroverlast -
BNAIC/Benelearn conferentie groot succes -
Universiteit Leiden als inspiratiebron voor nieuwe masteropleiding Kunstmatige Intelligentie en Data Science
Zie ook
Voormalige promovendi
Jan N. van Rijn heeft een vaste aanstelling als universitair docent aan de Universiteit Leiden, waar hij werkzaam is bij de afdeling computerwetenschappen (LIACS) en het cluster Automated Design of Algorithms (ADA). Zijn onderzoeksinteresses omvatten betrouwbare kunstmatige intelligentie, geautomatiseerd machinaal leren (AutoML) en metalearning. Hij promoveerde in 2016 aan het Leiden Institute of Advanced Computer Science (LIACS), Universiteit Leiden (Nederland). Tijdens zijn PhD ontwikkelde hij OpenML.org, een open science platform voor machine learning, dat het delen van machine learning resultaten mogelijk maakt. Hij bracht verschillende gefinancierde onderzoeksbezoeken aan de Universiteit van Waikato (Nieuw-Zeeland) en de Universiteit van Porto (Portugal). Na zijn promotie werkte hij als postdoctoraal onderzoeker in het Machine Learning lab aan de Universiteit van Freiburg (Duitsland), onder leiding van Prof. Dr. Frank Hutter, waarna hij als postdoctoraal onderzoeker aan de Columbia University in de stad New York (VS) ging werken. Zijn onderzoeksdoel is het democratiseren van de toegang tot machinaal leren en kunstmatige intelligentie binnen maatschappelijke instellingen, door het ontwikkelen van kennis en instrumenten die domeinexperts ondersteunen. Hij is een van de auteurs van het boek 'Metalearning: Applications to Automated Machine Learning and Data Mining' (gepubliceerd door Springer).
Universitair docent
- Wiskunde en Natuurwetenschappen
- Leiden Inst of Advanced Computer Science
- Huisman M., Plaat A. & Rijn J.N. van (2024), Subspace adaptation prior for few-shot learning, Machine Learning 113: 725–752.
- König H.M.T., Bosman A.W., Hoos H.H. & Rijn J.N. van (2024), Critically assessing the state of the art in neural network verification, Journal of Machine Learning Research 25(12): 1-35.
- König H.M.T., Hoos H.H. & Rijn J.N. van (2024), Accelerating adversarially robust model selection for deep neural networks via racing, Proceedings of the AAAI Conference on Artificial Intelligence. 38th AAAI Conference on Artificial Intelligence (AAAI-24) 19 februari 2024 - 27 februari 2024. Proceedings of the AAAI Conference on Artificial Intelligence nr. 38. Washington, DC, USA: AAAI Press. 21267-21275.
- Huisman M., Moerland T.M., Plaat A. & Rijn J.N. van (2023), Are LSTMs good few-shot learners?, Machine Learning 112: 4635–4662.
- König H.M.T., Bosman A.W., Hoos H.H. & Rijn J.N. van (2023), Critically assessing the state of the art in CPU-based local robustness verification. Pedroza G., Huang X., Chen X., Theodorou A., Hernandez-Orallo J., Castillo-Effen M., Mallah R. & McDermid J. (red.), Proceedings of the workshop on artificial intelligence safety 2023 (SafeAI 2023). SafeAI 2023: Workshop on Artificial Intelligence Safety 13 februari 2023 - 14 februari 2023. CEUR Workshop Proceedings nr. 3381: CEUR-WS.
- Schlender T., Viljanen M., Rijn J.N. van, Mohr F., Peijnenburg W.J.G.M., Hoos H.H., Rorije E. & Wong A. (2023), The bigger fish: a comparison of meta-learning QSAR models on low-resourced aquatic toxicity regression tasks, Environmental Science and Technology 57(46): 17818-17830.
- Huisman M., Plaat A & Rijn J.N. van (2022), Stateless neural meta-learning using second-order gradients, Machine Learning 111: 3227–3244.
- König H.M.T., Hoos H.H. & Rijn J.N. van (2022), Speeding up neural network robustness verification via algorithm configuration and an optimised mixed integer linear programming solver portfolio, Machine Learning 111: 4565-4584.
- Moussa C., Rijn J.N. van, Bäck T.H.W. & Dunjko V. (2022), Hyperparameter importance of quantum neural networks across small datasets. Pascal P. & Ienco D. (red.), Discovery Science. International Conference on Discovery Science 2022 10 oktober 2022 - 12 oktober 2022 nr. 13601. Cham: Springer. 32-46.
- Soomlek S. & Rijn J.N. van Bonsangue M.M. (2021), Automatic human-like detection of code smells. Soares C. & Torgo L. (red.), Proceedings of the 24th International Conference Discovery Science (DS 2021), Halifax, NS, Canada, October 11-13, 2021. 24th International Conference on Discovery Science, DS 2021 11 oktober 2021 - 13 oktober 2021 nr. Lecture Notes in Computer Science . Cham: Springer. 19-28.
- Salinas N.R.P., Baratchi M., Rijn J.N. van & Vollrath A. (2021), Automated machine learning for satellite data: integrating remote sensing pre-trained models into AutoML systems. Dong Y., Kourtellis N., Hammer B. & Lozano J.A. (red.), Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track. ECML PKDD 2021. Joint European Conference on Machine Learning and Knowledge Discovery in Databasis. ECML PKDD 2021 13 september 2021 - 17 september 2021 nr. 12979. Cham: Springer International Publishing. 447-462.
- Huisman M., Rijn J.N. van & Plaat A. (2021), A preliminary study on the feature representations of transfer learning and gradient-based meta-learning techniques, Fifth Workshop on Meta-Learning at the Conference on Neural Information Processing Systems. Fifth Workshop on Meta-Learning 13 december 2021 - 13 december 2021.
- Huisman M., Rijn J.N. van & Plaat A. (2021), A survey of deep meta-learning, Artificial Intelligence Review 54(6): 4483-4541.
- El Baz A., Guyon I., Liu Z., Rijn J.N. van, Treguer S. & Vanschoren J. (2021), Advances in MetaDL: AAAI 2021 Challenge and Workshop. In: Gyuon I., Rijn J.N. van, Treguer S. & Vanschoren J. (red.) Proceedings of machine learning research. CoRR nr. 140: Microtome Publishing. 1-16.
- Gijsbers P., Pfisterer F., Rijn J.N. van, Bischl B. & Vanschoren J. (2021), Meta-learning for symbolic hyperparameter defaults. Chicano F. (red.), GECCO '21: Proceedings of the genetic and evolutionary computation conference companion. GECCO '21: Genetic and Evolutionary Computation Conference 10 juli 2021 - 14 juli 2021. New York: ACM. 151-152.
- Mohr F. & Rijn J.N. van (2021), Towards model selection using learning curve cross-validation. In: 8th ICML Workshop on automated machine learning (AutoML)..
- Pfisterer F., Rijn J.N. van, Probst P., Müller A.C. & Bischl B. (2021), Learning multiple defaults for machine learning algorithms. Chicano F. (red.), GECCO '21: Proceedings of the genetic and evolutionary computation conference companion. GECCO '21: Genetic and Evolutionary Computation Conference 10 juli 2021 - 14 juli 2021. New York: ACM. 241-242.
- König H.M.T., Hoos H.H. & Rijn J.N. van (2021), Speeding up neural network verification via automated algorithm configuration, ICLR Workshop on Security and Safety in Machine Learning Systems. Workshop Security and Safety in Machine Learning Systems 7 mei 2021 - 7 mei 2021.
- König H.M.T., Hoos H.H. & Rijn J.N. van (2020), Towards algorithm-agnostic uncertainty estimation: predicting classification error in an automated machine learning setting, ICML Workshop on automated machine learning. 7th ICML Workshop on Automated Machine Learning (AutoML 2020) 18 juli 2020 - 18 juli 2020.
- Sharma A., Rijn J.N. van, Hutter F. & Müller A. (2019), Hyperparameter Importance for Image Classification by Residual Neural Networks. Kralj Novak P., Smuc T. & Dzeroski S. (red.), Proceedings of the 22nd International Conference on Discovery Science, DS 2019. 22nd International Conference on Discovery Science (DS 2019) 28 oktober 2019 - 30 oktober 2019 nr. 11828: Springer. 112-126.
- Sadawi N., Olier I., Vanschoren J., Rijn J.N. van, Besnard J., Bickerton R., Grosan C., Soldatova L. & King R.D. (2019), Multi-task learning with a natural metric for quantitative structure activity relationship learning, Journal of Cheminformatics 11: 68.
- Lindauer M., Rijn J.N. van & Kotthoff L. (2019), The algorithm selection competitions 2015 and 2017, Artificial Intelligence 272: 86-100.
- Rijn J.N. van, Takes F.W. & Vis J.K. (2019), Computing and Predicting Winning Hands in the Trick-Taking Game of Klaverjas. Atzmueller M. & Duivesteijn W. (red.), BNAIC 2018: Artificial Intelligence. 30th Benelux Conference on Artificial Intelligence (BNAIC) 8 november 2018 - 9 november 2018 nr. 1021. Cham: Springer. 106-120.
- Abdulrahman S.M., Brazdil P., Rijn J.N. van & Vanschoren J. (2018), Speeding up algorithm selection using average ranking and active testing by introducing runtime, Machine Learning 107(1): 79-108.
- Rijn J.N. van, Holmes G., Pfahringer B. & Vanschoren J. (2018), The online performance estimation framework: heterogeneous ensemble learning for data streams, Machine Learning 107(1): 149-176.
- Rijn J.N. van, Takes F.W. & Vis J.K. (2018), Computing and predicting winning hands in the trick-taking game of Klaverjas. Atzmueller M. & Duivesteijn W. (red.), 30th Benelux Conference on Artificial Intelligence. 30th Benelux Conference on Artificial Intelligence (BNAIC) 8 november 2018 - 9 november 2018 207-222.
- Strang B., Putten P.W.H. van der, Rijn J.N. van & Hutter F. (2018), Don't Rule Out Simple Models Prematurely: A Large Scale Benchmark Comparing Linear and Non-linear Classifiers in OpenML. Duivesteijn W., Siebes A. & Ukkonen A. (red.), Advances in Intelligent Data Analysis XVII 17th International Symposium, IDA 2018, ’s-Hertogenbosch, The Netherlands, October 24–26, 2018, Proceedings. International Symposium on Intelligent Data Analysis IDA 2018 24 oktober 2018 - 26 oktober 2018 nr. Lecture Notes in Computer Science, volume 11191. Cham: Springer. 303-315.
- Rijn J.N. van (19 december 2016), Massively collaborative machine learning (Dissertatie. Leiden Institute of Advanced Computer Science (LIACS), Science, Leiden University) IPA Dissertation Series nr. 2016-14. Promotor(en) en copromotor(en): Kok J.N., Knobbe A.J. & Vanschoren J.
- Rijn J.N. van, Holmes G., Pfahringer B. & Vanschoren J. (2015), Having a Blast: Meta-Learning and Heterogeneous Ensembles for Data Streams. Aggarwal C., Zhou Z.H., Tuzhilin A., Xiong H. & Wu X. (red.), 2015 IEEE International Conference on Data Mining. ICDM 2015 18 november 2015 - 22 november 2015: IEEE.
- Rijn J.N. van, Holmes G., Pfahringer B. & Vanschoren J. (2015), Case Study on Bagging Stable Classifiers for Data Streams. Benelearn 2015 19 juni 2015 - 19 juni 2015.
- Rijn J.N. van & Vanschoren J. (2015), Sharing RapidMiner workflows and experiments with OpenML. Vanschoren J., Brazdil P., Giraud-Carrier C. & Kotthoff L. (red.), MetaSel'15 Proceedings of the 2015 International Conference on Meta-Learning and Algorithman. MetaSel 2015 7 september 2015 - 7 september 2015 nr. 1455. Aachen, Germany: CEUR-WS.org. 93-103.
- Vis J.K., Rijn J.N. van & Takes F.W. (2015), The Complexity of Rummikub Problems, Proceedings of the 27th Benelux Conference on Artificial Intelligence (BNAIC 2015). The 27th Benelux Conference on Artificial Intelligence (BNAIC 2015) 5 november 2015 - 6 november 2015: Benelux Association for Artificial Intelligence.
- Vanschoren J., Rijn J.N. van & Bischl B. (2015), Taking machine learning research online with OpenML. Fan W., Bifet A., Yang Q. & Yu P.S. (red.), BIGMINE'15 Proceedings of the 4th International Conference on Big Data, Streams and Heterogeneous Source Minging: Algorithms, Systems, Programming Models and Applications. BigMine 2015 10 augustus 2015 - 10 augustus 2015 nr. 41: Proceedings of Machine Learniing Research. 1-4.
- Rijn J.N. van, Abdulrahman S.M., Brazdil P. & Vanschoren J. (2015), Fast Algorithm Selection Using Learning Curves, Proceedings 14th International Symposium, IDA 2015. 14th International Symposium, IDA 2015 22 oktober 2015 - 24 oktober 2015.
- Abdulrahman S.M., Brazdil P., Rijn J.N. van & Vanschoren J. (2015), Algorithm Selection via Meta-learning and Sample-based Active Testing, Proceedings MetaSel 2015. MetaSel 2015 7 september 2015 - 7 september 2015.
- Rijn J.N. van, Holmes G., Pfahringer B. & Vanschoren J. (2014), Towards Meta-learning over Data Streams, Proceedings MetaSel 2014. MetaSel 2014 19 augustus 2014 - 19 augustus 2014.
- Rijn J.N. van, Holmes G., Pfahringer B. & Vanschoren J. (2014), Algorithm Selection on Data Streams, Proceedings Discovery Science. Discovery Science nr. LNCS 8777 325-336.
- Vanschoren J., Rijn J.N., Bischl B. & Torgo L. (2014), OpenML: networked science in machine learning, SIGKDD Explorations : .
- Van Rijn J.N. & Vis J.K. (2014), Endgame Analysis of Dou Shou Qi, ICGA Journal 38: 120–124.
- Hoogeboom H.J., Kosters W.A., Rijn J.N. van & Vis J.K. (2014), Acyclic Constraint Logic and Games, ICGA Journal 37(1): 3-16.
- Rijn J.N. van & Vis J.K. (2013), Complexity and Retrograde Analysis of the Game Dou Shou Qi. Hindriks K., Weerdt M. de, Riemsdijk B. van & Warnier M. (red.), Proceedings of the 25th Benelux Conference on Artificial Intelligence. 25th Benelux Conference on Artificial Intelligence (BNAIC 2013) 239-246.
- Rijn J.N. van, Umaashankar V., Fischer S., Bischl B., Torgo L., Gao B., Winter P., Wiswedel B., Berthold M.R. & Vanschoren J. (2013), A RapidMiner extension for Open Machine Learning. Fischer S., Mierswa I., Mendes Moreira J. & Soares C. (red.), RapidMiner Community Meeting and Conference 2013. : Shaker Verlag. 59-70.
- Rijn J.N. van, Bischl B., Torgo L., Gao B., Umaashankar V., Fischer S., Winter P., Wiswedel B., Berthold M.R. & Vanschoren J. (2013), OpenML: A Collaborative Science Platform. Blockeel H., Kersting K., Nijssen Siegfried & Zelezný Filip (red.), Machine Learning and Knowledge Discovery in Databases. nr. Lecture Notes in Computer Science: Springer-Verlag. 645-649.
- Rijn J.N. van & Vanschoren J. (2013), OpenML: An Open Science Platform for Machine Learning, Proceedings Benelearn 2013. .