VRVis Visual Computing Award 2027 – Einreichfrist: 30.09.2026
Unter dem Motto „Visual Computing for Good“ prämiert VRVis anwendungsnahe Forschung mit Impact.
Mit über 300 wissenschaftlichen und administrativen Mitarbeiter*innen ist unsere Fakultät an zahlreichen nationalen und internationalen Kooperationsprojekten mit wirtschaftlichen und wissenschaftlichen Partner*innen beteiligt.
Neben der Behandlung aktueller Fragestellungen ermöglichen diese Kooperationen eine forschungsgeleitete Lehre und die Einbindung von fortgeschrittenen Studierenden in ein attraktives, internationales Forschungsklima.
Gemäß dem Entwicklungsplan der Universität Wien orientiert sich die wissenschaftliche Ausrichtung unserer Fakultät an den vier Forschungsschwerpunkten Algorithms, Data Science, Systems und Human-Centered Computing.
Entwicklung effizienter Algorithmen für Netzwerke, KI und Datenanalyse
Wissensgewinnung aus Daten durch Machine Learning, Mining und Visualisierung
Sichere, skalierbare und nachvollziehbare Systeme für die digitale Zukunft
Menschengewandte Technologien für Inklusion, Bildung und UX-Entwicklung
Die Forscher*innen unserer Fakultät sind weltweit vernetzt und in ständiger Zusammenarbeit mit Kolleg*innen aus der ganzen Welt. Eine grafische Visualisierung unserer Kooperationen auf Länder-/Gebietsebene zeigt die u:cris Forschungsdatenbank.
Unter dem Motto „Visual Computing for Good“ prämiert VRVis anwendungsnahe Forschung mit Impact.
Der Hedy Lamarr Preis der Stadt Wien zeichnet Forscherinnen in Österreich für ihre herausragenden Leistungen im Bereich der Informationstechnologie…
Bernhard Standl ist seit 1. August 2026 Professor für Didactics of Computer Science. Im Mittelpunkt seiner Forschung steht die Gestaltung von…
Als zentrale Werkzeuge der wissenschaftlichen Arbeit fördern die Publikationen und Projekte unserer Forschenden den Wissensaustausch, dokumentieren Forschungsergebnisse und stärken die internationale Sichtbarkeit unserer Fakultät.
CAR-MNAR: A Unified Factorial Framework for Robust Causal Discovery Under Self-masking MNAR. / Alinejad, Matin; Hlavackova-Schindler, Katerina.
Machine Learning and Knowledge Discovery in Databases. Research Track. Hrsg. / Michelangelo Ceci; Dragi Kocev; Anna Monreale; Celine Vens; Peter Flach; Giuseppe Manco; Myra Spiliopoulou; Elio Masciari. Cham: Springer Nature Switzerland AG, 2027. S. 603-622.
Veröffentlichungen: Beitrag in Buch › Beitrag in Konferenzband › Peer Reviewed
Timed Lossy Trapdoor Functions and Their Applications. / Abusalah, Hamza; Azari, Karen; Consbruch, Maximilian von.
Asiacrypt 2026. 2026.
Veröffentlichungen: Beitrag in Buch › Beitrag in Konferenzband › Peer Reviewed
Local drivers of anthropogenic forest fire ignition vulnerability in Austria. / Wimmer, Elisabeth (Korresp. Autor*in); Mallinger, Kevin (Korresp. Autor*in); Corpaci, Luiza et al.
in: Fire Ecology, Band 22, Nr. 1, 59, 12.2026.
Veröffentlichungen: Beitrag in Fachzeitschrift › Artikel › Peer Reviewed
ObfuscationGT: A Comprehensive Evaluation of Disassembler Accuracy and Coverage on Obfuscated Code. / König, Caroline; Felbauer, Patrick; Pucher, Michael et al.
International Symposium on Research in Attacks, Intrusions and Defenses 2026. 2026.
Veröffentlichungen: Beitrag in Buch › Beitrag in Konferenzband › Peer Reviewed
Supply Chain Insecurity: Exposing Vulnerabilities in iOS Dependency Management Systems. / Schmidt, David; Gegenhuber, Gabriel Karl; Weippl, Edgar R. et al.
International Symposium on Research in Attacks, Intrusions and Defenses 2026. 2026.
Veröffentlichungen: Beitrag in Buch › Beitrag in Konferenzband › Peer Reviewed