Department für statistisches Lernen

Das Department für statistisches Lernen ist an den ScaDS.AI Dresden/Leipzig Standorten an der Universität Leipzig und dem Max-Planck-Institut für Mathematik in den Naturwissenschaften (MPI-MiS) angesiedelt. Angewandte Forschung und Kollaborationen in der Biomedizin werden durch das Interdisciplinary Centre for Bioinformatics (IZBI) vermittelt. Die Abteilung wurde von 2022 bis 2025 von Prof. Dr. Sayan Mukherjee, Alexander von Humboldt Professor in Künstlicher Intelligenz, geleitet.

Forschung

Methodische Innovationen für Inferenz und Lernen

• Integration von moderner KI mit stochastischer Modellierung: Die Bayes’sche Inferenz hat sich bei einer Vielzahl angewandter Probleme in der Biologie, den Sozialwissenschaften und der Physik als außerordentlich erfolgreich erwiesen. Ein wesentliches Merkmal der Bayes’schen Inferenz ist eine prinzipielle Methode zur Quantifizierung der Unsicherheit im Schlussfolgerungsprozess. In jüngster Zeit haben moderne KI-Methoden wie tiefe neuronale Netze die prädiktive Modellierung verändert, insbesondere im datenreichen Umfeld. Wir werden die Bayes’sche (stochastische) Modellierung mit moderner KI (tiefe neuronale Netze) integrieren.
• Skalierbare Inferenzalgorithmen: Je mehr Daten gesammelt werden und je mehr und umfangreichere Messungen jede Beobachtung enthält, desto weniger skalieren klassische Inferenzverfahren. Dieses Versagen ist besonders dann problematisch, wenn eine Quantifizierung der Unsicherheit erforderlich ist. Das Standardverfahren für Bayes’sche Schlussfolgerungen, das Markov-Chain-Monte-Carlo-Verfahren (MCMC), lässt sich nicht auf große Datenmengen anwenden.

Mathematische Grundlagen der Inferenz und des Lernens

• Die Schnittstelle von Geometrie und Topologie mit Wahrscheinlichkeit und Statistik: Zwei Themen treiben diese Forschung voran. Das erste Thema ist der Übertrag von Ideen aus der modernen Geometrie und Topologie in die probabilistische Modellierung. Das zweite Thema ist das Verständnis der Geometrie und Topologie von Zufallsprozessen.
• Inferenz und Dynamik: Auch hier gibt es zwei Hauptthemen: Erstens, das Verständnis der Grenzen der Inferenz und des Lernens von dynamischen Systemen. Zweitens, die Entwicklung der Inferenztheorie durch die Betrachtung der Inferenz als dynamisches System.

Maschinelles Lernen und Statistik für biomedizinische Anwendungen

• Entwicklung von Methoden: Häufig sind neue Methoden erforderlich, um neue Fragen zu beantworten, neue Datentypen oder Modalitäten zu modellieren oder um moderne Genomtechnologien zu nutzen. Es wurden Methoden in den Bereichen statistische Genetik, quantitative Genetik, Krebsbiologie, molekulare Ökologie, Morphologie, klinische Entscheidungsfindung und medizinische Bildgebung entwickelt.
• Gemeinsame Datenanalyse: Unsere Gruppe arbeitet mit Kliniker:innen und experimentellen Biolog:innen zusammen, um anspruchsvolle und/oder wichtige Probleme zu lösen.

Projekte

Team

Leitung

• Prof. Dr. Sayan Mukherjee

Teammitglieder

Miguel O’Malley

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Stochastische Topologie und ihre Anwendungen

Zachary Adams

FU Berlin

Abteilung für Mathematik und Informatik

Immanuel Thoke

Universität Leipzig

Abteilung für statistisches Lernen

Deniz Kucukahmetler

Universität Leipzig

Max-Planck-Institut für Kognitions- und Neurowissenschaften

Doris Kristina Raave

Universität Leipzig

Claudia Silva Ruiz

Universität Leipzig

Eric Roldan Roa

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Shivom Gupta

Universität Leipzig

Abteilung für Statistisches Lernen

Alvaro Díaz Ruelas

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Department of Statistical Learning

Manuel Alejandro Estévez de la Mora

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Dr. Cyrille Merleau Nono Saha

Max-Planck-Institut für Mathematik in den Naturwissenschaften

Dr. Marzieh Eidi

Max-Planck-Institut für Mathematik in den Naturwissenschaften