Die Gruppe "Machine Learning for Time Series" hat das Ziel, mathematische und computergestützte Instrumente zur Schätzung von Strukturen und Modelle aus hochdimensionalen Zeitreihendaten komplexer physikalischer und chemischer Systeme zu entwickeln. Die analysierten Systeme sind in der Regel stochastisch, nichtlinear, hochdimensional, metastabil und befinden sich außerhalb des Gleichgewichts. Die Analyse von Daten aus Simulation und/oder experimenteller Untersuchung solcher Systeme erfordern fortgeschrittene statistische Techniken. Unsere Arbeit ist interdisziplinär an den Schnittstellen zwischen Wissenschaftlichem Rechnen, Statistik, Theorie dynamischer Systeme sowie Maschinenlernen und konzentriert sich auf folgende Themen:

  1. Kompression und schlanke Darstellung von Daten aus dynamischen Systemen
  2. Inverse Modellierung und Spektralanalyse von Markov‘schen und nicht-Markov‘schen Prozessen
  3. Kointegration und Kausalitätsanalyse von Zeitreihen