This page in English
Leitung:
Vladimir Spokoiny

Mitarbeiter:
Valeriy Avanesov, Christian Bayer, Franz Besold, Oleg Butkovsky, Darina Dvinskikh, Pavel Dvurechensky, Peter Mathé, Paolo Pigato, Jörg Polzehl, Martin Redmann, John G. M. Schoenmakers, Massimo Secci, Karsten Tabelow, Nikolas Esteban Tapia Muñoz

Sekretariat:
Christine Schneider

Ehrenmitglieder:
Peter Friz


Die Forschungsgruppe Stochastische Algorithmen und Nichtparametrische Statistik konzentriert sich auf zwei mathematische Forschungsgebiete, die statistische Datenanalyse und stochastische Modellierung, Optimierung und Algorithmen. Die Projekte der Gruppe beschäftigen sich mit aktuellen Anwendungen vor allem in der Ökonomie und den Lebenswissenschaften. Die Projekte ordnen sich vor allem in die Hauptanwendungsgebiete Optimierung und Steuerung in Technik und Wirtschaft und Quantitative Biomedizin des WIAS ein.

Die mathematische Forschung in der Gruppe beinhaltet vor allem

  • die Modellierung komplexer Systeme mit Methoden der nichtparametrischen Statistik,
  • statistisches Lernen,
  • Risikobewertung,
  • Bewertungen in Finanzmärkten mittels effizienter stochastischer Algorithmen und
  • verschiedene Methoiden aus der klassischen, stochastischen, und rough path Analysis.

Die Forschungsgruppe enthält die Fokusplattform Quantitative analysis of stochastic and rough systems. Die Forschung der Gruppe trägt zur Entwicklung statistischer Software bei, besonders im Bereich der Bildverarbeitung in den Neurowissenschaften.


Höhepunkte

  • Der Beitrag "Optimal Tensor Methods in Smooth Convex and Uniformly Convex Optimization" von Alexander Gasnikov, Pavel Dvurechensky, Eduard Gorbunov, Evgeniya Vorontsova, Daniil Selikhanovych, Cesar A. Uribe wurde für die Conference on Learning Theory 2019 angenommen.
  • Der Beitrag "On the Complexity of Approximating Wasserstein Barycenter" von Alexey Kroshnin, Nazarii Tupitsa, Darina Dvinskikh, Pavel Dvurechensky, Alexander Gasnikov, Cesar Uribe wurde für die International Conference on Machine Learning 2019 angenommen.
  • Das Paper "On a Database of Simulated TEM Images for In(Ga)As/GaAs Quantum Dots with Various Shapes" von Thomas Koprucki, Anieza Maltsi, Tore Niermann, Timo Streckenbach, Karsten Tabelow, Jörg Polzehl wurde für die NUSOD 2019 als Top 10 Beitrag angenommen.
  • Am 14. März 2019 verteidigte Benjamin Stemper erfolgreich seine Doktorarbeit "Rough volatility models: Monte Carlo, asymptotics and deep calibration" an der Technischen Universität Berlin (Betreuer Christian Bayer).
  • Am 18. Februar 2019 verteidigte Larisa Adamyan erfolgreich ihre Doktorarbeit "Adaptive weights community detection" an der Humboldt-Universität zu Berlin (Betreuer Vladimir Spokoiny).
  • Die Forschergruppe 2402 Rough paths, stochastic partial differential equations and related topics wird für eine weitere Periode gefördert. Die FG 6 trägt dazu das Projekt "Numerical analysis of rough PDEs" (PIs: Christian Bayer, John Schoenmakers) bei.
  • Thomas Koprucki (FG1) und Karsten Tabelow (FG6) erhalten Förderung für das MATH+-Projekt EF3-1 "Model-based geometry reconstruction from TEM" (Laufzeit: 01/2019-12/2021). [>>mehr]
  • Das neue MATH+-Projekt AA4-2 "Optimal control in energy markets using rough analysis and deep networks" (PIs: Peter Friz, Christian Bayer, John Schoenmakers, Vladimir Spokoiny) wird mit einer PostDoc-Position am WIAS Berlin und einer Doktorandenstelle an der TU Berlin gefördert.
  • Das neue MATH+-Projekt EF3-3 "Optimal transport for imaging" (PIs: Pavel Dvurechensky, Michael Hintermüller, and Vladimir Spokoiny) wird gefördert.
  • Christian Bayer und Peter Friz erhalten Förderung für das MATH+-Projekt EF1-5 "On robustness of deep neural networks".


Forschungsgruppen

Hauptanwendungsgebiete