Fotografi av Filip Ekström Kelvinius

Filip Ekström Kelvinius

Doktorand

Min forskning handlar om maskininlärning där jag främst fokuserat på djupinlärningsmetoder för graf-baserad data, med sökandet efter nya material som motiverande tillämpning.

Presentation

Jag är doktorand vid avdelningen Statistik och maskininlärning. Min forskning är fokuserad på utveckling av maskininlärningsmetoder, särskilt djupinlärning, för graf-baserad data. Forskningen är tvärvetenskaplig, där jag använt sökandet efter nya material som tänkt tillämpning. Det har inneburit att jobba med diskriminativa modeller som graf-neuronnät för att förutse egenskaper hos material, men även utvecklandet av generativa modeller, särskilt så kallade diffusionsmodeller.

För mer information om mig, se min personliga hemsida (på engelska). För en komplett lista över publikationer, se min Google Scholar.

Publikationer

2025

Filip Ekström Kelvinius, Oskar Andersson, Abhijith S. Parackal, Dong Qian, Rickard Armiento, Fredrik Lindsten (2025) WyckoffDiff- A Generative Diffusion Model for Crystal Symmetry Proceedings of the 42nd International Conference on Machine Learning, s. 15130-15147 (Konferensbidrag)
Filip Ekström Kelvinius, Zheng Zhao, Fredrik Lindsten (2025) Solving Linear-Gaussian Bayesian Inverse Problems with Decoupled Diffusion Sequential Monte Carlo Proceedings of the 42nd International Conference on Machine Learning, s. 15148-15181 (Konferensbidrag)
Filip Ekström Kelvinius (2025) Deep Learning for the Atomic Scale: Graph Neural Networks and Deep Generative Models with Some Applications to Materials and Molecules

2024

Filip Ekström Kelvinius, Fredrik Lindsten (2024) Discriminator Guidance for Autoregressive Diffusion Models Proceedings of The 27th International Conference on Artificial Intelligence and Statistics, s. 3403-3411 (Konferensbidrag)

2023

Filip Ekström Kelvinius, Dimitar Georgiev, Artur Petrov Toshev, Johannes Gasteiger (2023) Accelerating Molecular Graph Neural Networks via Knowledge Distillation Advances in Neural Information Processing Systems 36 (NeurIPS 2023) (Konferensbidrag)

Forskning

Om avdelningen

Kollegor vid STIMA

Om institutionen