Search for contacts, projects,
courses and publications

Feature Learning for Bayesian Inference

People

 

Mira A.

(Responsible)

External participants

Perez-Cruz Fernando

(Co-responsible)

Abstract

Die an diesem Projekt beteiligten Forschenden haben in der Vergangenheit verschiedene Werkzeuge entwickelt um relevante Informationen in grossen Datenmengen aufzuspüren. Dazu gehören sowohl spezielle neuronale Netzwerke als auch Methoden zum Auffinden der intrinsischen Dimension von Daten. Das Ziel dieses Projekts besteht darin, diese Methoden weiterzuentwickeln und in verschiedenen Disziplinen anzuwenden, etwa in der Hydrologie und der Epidemiologie:

In der Hydrologie verfügen wir über lange zurückreichende Datensätze von Abflussganglinien von Flüssen in verschiedensten Einzugsgebieten. Ein grosser Teil der Information in diesen Zeitreihen stammt dabei einfach aus dem Regen und der Temperatur. Da wir diese Daten ebenfalls haben, können wir versuchen, sie mit unseren neuen Methoden aus den Ganglinien herauszurechnen und dabei Informationen über die Eigenschaften des Einzugsgebietes selbst, sozusagen seine Fingerabdrücke, freizulegen.

Ein sehr aktuelles Anwendungsgebiet ist die Epidemiologie. Wissenschaftler verwenden stochastische Modelle, also mit künstlichem Rauschen angereicherte Computermodelle, um etwa die Ausbreitung von Covid-19 zu simulieren und den Einfluss verschiedener Eindämmungsmassnahmen zu untersuchen. Dabei will man mit Hilfe gemessener Daten (positive Tests, Krankenhauseinlieferungen etc.) auf die Parameterwerte des Modells schliessen - etwa den berühmten R-Wert. Umso realistischer die Modelle werden, desto schwieriger wird diese Aufgabe.

Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojekts:

Die Ausbreitung von Pandemien besser zu verstehen ist freilich ein Anliegen von aktuell grosser gesellschaftlicher Relevanz. Der Fokus unseres Projekts ist allerdings ein methodischer. Unsere Methoden sind sehr allgemein anwendbar und können dazu beitragen, das Verhalten von realen komplexen Systemen aber auch von stochastischen Computermodellen in verschiedensten wissenschaftlichen Disziplinen besser zu verstehen. Dies kann insbesondere dazu dienen, die möglichen Parameterwerte von Modellen so einzuschränken, dass sie reale Daten am besten reproduzieren, was wiederum probabilistische Vorhersagen und Szenarioanalysen ermöglicht.

Besser zu verstehen, welche Eigenschaften eines Einzugsgebietes relevant sind für die Pegelstände seiner Flüsse ist ein wichtiges Anliegen der Hydrologen. Dieses Verständnis kann zu besseren Flutvorhersagen führen, insbesondere auch dort wo wir keine Abflussdaten haben und deshalb auf charakteristische Eigenschaften des Einzugsgebietes zurückgreifen müssen um überhaupt Vorhersagen machen zu können.

Additional information

Start date
01.09.2022
End date
31.08.2026
Duration
48 Months
Funding sources
SNSF
Status
Active
Category
Swiss National Science Foundation / Project Funding / Mathematics, Natural and Engineering Sciences (Division II)