核心领域：机器学习与统计模式识别、概率图模型、深度神经网络、信号与语音处理。
主要技术方向：
概率图模型：贝叶斯网络的判别式结构与参数学习、置信传播（Belief Propagation）算法分析（定点/收敛性）、和积网络（SPN）的理论与学习；
资源高效深度学习：量化/剪枝/结构搜索（NAS）实现嵌入式系统上的轻量级神经网络，降低计算与存储开销；
贝叶斯深度学习：贝叶斯神经网络、不确定性估计（集成/后验多样性）、变分推理；
语音与音频处理：多通道语音增强（特征波束形成）、声源分离（单通道/多通道）、多基频追踪、声学场景分类、肺部声音分类；
工业AI应用：雷达信号干扰抑制（FMCW）、耐火材料磨损预测、晶圆缺陷检测、铁路车辆状态建模；
因果推理：主动贝叶斯因果推断、结构因果模型。
工具与能力：精通概率建模、变分推理、优化算法，具备从理论算法到嵌入式硬件部署的全链条研发经验，长期主导与英飞凌、西门子、RHI Magnesita 等企业的工业合作项目。
专家详情：
【重要履历】获格拉茨技术大学博士学位（博士论文聚焦金属表面自动视觉检测），2009 年完成教授资格论文（Habilitation）。曾获 Erwin Schrödinger 奖学金，赴华盛顿大学和奥克兰大学进行博士后研究。长期从事机器学习、统计模式识别与信号处理研究，主持过多项奥地利科学基金（FWF）和 FFG 项目，并荣获 Kardinal-Innitzer 青年研究者奖及施泰尔马克州青年研究者奖等多项荣誉。
【技术能力】专攻概率图模型（贝叶斯网络、和积网络、置信传播）、深度神经网络与贝叶斯深度学习、资源高效型神经网络（量化与剪枝）、以及特征选择与数据聚类。研究方向涵盖统计信号处理、语音与音频处理（多音高跟踪、语音增强与分离、波束形成）、医学信号分析（肺音分类、心音分割）以及工业应用（雷达干扰抑制、耐火材料磨损预测、晶圆缺陷检测）。精通变分推理、消息传递算法及因果推理，并具备从算法理论到嵌入式系统部署的全链条研发能力。
【标志性成果】发表论文逾 250 篇（含 60 余篇期刊论文），Google Scholar 引用超 5,300 次，h-index 38。其代表性工作包括：最大间隔贝叶斯网络分类器、和积网络的理论分析与贝叶斯学习、置信传播的定点分析与自引导算法以及资源高效型神经网络。指导的博士生在置信传播收敛性、因果推理和雷达干扰抑制等领域取得多项突破。持有 3 项专利（含 FMCW 雷达干扰抑制的美国专利），并主导了与 Infineon、Siemens、RHI Magnesita 等企业的多项产学研合作项目（总经费超 500 万欧元）。其研究兼具理论深度与工程应用价值，在机器学习与信号处理交叉领域持续产生高水平成果。