Forschung

Durchsuchen Sie alle Beiträge in der Kategorie Forschung.

1 bis 6 von 38

05FEB. 2026
Aktuelles
Wissenschaftlicher Beitrag im IEEE Access Journal veröffentlicht: Schnelle Erkennung von Änderungen in Zeitreihen mittels approximativer linearer Algebra für die Singular Spectrum Transformation
Wir freuen uns, mitteilen zu können, dass unser Paper „Accelerating Singular Spectrum Transformation for Scalable Change Point Detection“ von Lucas Weber und Richard Lenz zur Veröffentlichung in IEEE Access angenommen wurde (Open Access – frei verfügbar: https://doi.org/10.1109/ACCESS.2025.3640386). Singular Spectrum Transformation (SST) ist eine weit verbreitete Methode zur Change-Point-Detektion (CPD) in Zeitreihen; ihre praktische Anwendung wird […]Wir freuen uns, mitteilen zu können, dass unser Paper „Accelerating Singular Spectrum Transformation for Scalable Change Point Detection“ von Lucas Weber und Richard Lenz zur Veröffentlichung in IEEE Access angenommen wurde (Open Access – frei verfügbar: https://doi.org/10.1109/ACCESS.2025.3640386). Singular Spectrum Transformation (SST) ist eine weit verbreitete Methode zur Change-Point-Detektion (CPD) in Zeitreihen; ihre praktische Anwendung wird […]
Mehr lesen über Wissenschaftlicher Beitrag im IEEE Access Journal veröffentlicht: Schnelle Erkennung von Änderungen in Zeitreihen mittels approximativer linearer Algebra für die Singular Spectrum Transformation
02FEB. 2026
Aktuelles
Beitrag auf der IEEE ICRA 2026: Detektion von plötzlichen Messwertänderungen im Bereich der autonomen Robotik
Wir freuen uns, dass ein Paper, an dem wir unterstützend mitgewirkt haben, auf der International Conference on Robotics and Automation 2026 in Wien vorgestellt wird. Der Artikel „Model-Free Subsurface Anomaly Detection using Subspace Analysis Techniques for Sparse Telemetry for Extraterrestrial Drilling Robots” stellt einen online-fähigen, trainingsfreien Ansatz zur Erkennung von Bohrfehlern und Anomalien für interplanetare […]Wir freuen uns, dass ein Paper, an dem wir unterstützend mitgewirkt haben, auf der International Conference on Robotics and Automation 2026 in Wien vorgestellt wird. Der Artikel „Model-Free Subsurface Anomaly Detection using Subspace Analysis Techniques for Sparse Telemetry for Extraterrestrial Drilling Robots” stellt einen online-fähigen, trainingsfreien Ansatz zur Erkennung von Bohrfehlern und Anomalien für interplanetare […]
Mehr lesen über Beitrag auf der IEEE ICRA 2026: Detektion von plötzlichen Messwertänderungen im Bereich der autonomen Robotik
30SEP. 2025
Aktuelles
Promotion am Lehrstuhl Inf6
Unsere ehemalige wissenschaftliche Mitarbeiterin Melanie Bianca Sigl hat am 22. September 2025 ihre Dissertation mit dem Titel „Learning to Select a Pre-trained Deep-Learning Model for Transfer Learning on Multivariate Time-Series Data“ erfolgreich verteidigt. Gutachter waren Prof. Klaus Meyer-Wegener und Prof. Bernhard Mitschang (Universität Stuttgart). Als Vorsitzender der Prüfungskommission war Prof. Richard Lenz eingesetzt.Nach Veröffentlichung Ihrer […]Unsere ehemalige wissenschaftliche Mitarbeiterin Melanie Bianca Sigl hat am 22. September 2025 ihre Dissertation mit dem Titel „Learning to Select a Pre-trained Deep-Learning Model for Transfer Learning on Multivariate Time-Series Data“ erfolgreich verteidigt. Gutachter waren Prof. Klaus Meyer-Wegener und Prof. Bernhard Mitschang (Universität Stuttgart). Als Vorsitzender der Prüfungskommission war Prof. Richard Lenz eingesetzt.Nach Veröffentlichung Ihrer […]
Mehr lesen über Promotion am Lehrstuhl Inf6
09JULI 2025
Aktuelles
Inf6 mit neuem Ansatz zu Deep-Learning-Modellen auf der SIGMOD 2025
Melanie B. Sigl hat das Paper „Towards Learning to Rank Deep-Learning Models for Multivariate Time-Series Transfer Learning“ erfolgreich auf der ACM SIGMOD DEEM 2025 vorgestellt. Die Arbeit entstand gemeinsam mit Prof. Dr. Klaus Meyer-Wegener. Das Paper stellt einen neuen Ansatz vor, um passende Deep-Learning-Modelle für Transfer Learning mit multivariaten Zeitreihen anhand von Datensatzmerkmalen zu identifizieren. […]Melanie B. Sigl hat das Paper „Towards Learning to Rank Deep-Learning Models for Multivariate Time-Series Transfer Learning“ erfolgreich auf der ACM SIGMOD DEEM 2025 vorgestellt. Die Arbeit entstand gemeinsam mit Prof. Dr. Klaus Meyer-Wegener. Das Paper stellt einen neuen Ansatz vor, um passende Deep-Learning-Modelle für Transfer Learning mit multivariaten Zeitreihen anhand von Datensatzmerkmalen zu identifizieren. […]
Mehr lesen über Inf6 mit neuem Ansatz zu Deep-Learning-Modellen auf der SIGMOD 2025
24JUNI 2025
Aktuelles
Die Anwender im Fokus behalten
Wir freuen uns, Ergebnisse aus dem Projekt DARTS auf dem Human-In-the-Loop Data Analytics Workshop der diesjährigen SIGMOD in Berlin vorstellen zu dürfen. In Zusammenarbeit mit SIEMENS Energy werden im DARTS Forschungsprojekt Methoden zur Zeitreihenintegration untersucht. Diese Methoden sind ein elementarer Schritt, um komplexe technische Systeme, wie Kraftwerke, analytisch auswerten zu können und die Daten nutzbar […]Wir freuen uns, Ergebnisse aus dem Projekt DARTS auf dem Human-In-the-Loop Data Analytics Workshop der diesjährigen SIGMOD in Berlin vorstellen zu dürfen. In Zusammenarbeit mit SIEMENS Energy werden im DARTS Forschungsprojekt Methoden zur Zeitreihenintegration untersucht. Diese Methoden sind ein elementarer Schritt, um komplexe technische Systeme, wie Kraftwerke, analytisch auswerten zu können und die Daten nutzbar […]
Mehr lesen über Die Anwender im Fokus behalten
23JUNI 2025
Aktuelles
Von Zeitreihenintegration zur Fehlererkennung für Planetare Bohrroboter
Manchmal sind die Verbindungen zwischen verschiedensten Themengebieten kürzer als man denkt. Deshalb ist es für uns eine besondere Freude, dass unsere Forschungsergebnisse aus dem Projekt DARTS nun auch im Bereich der planetaren Robotik (NASA TRIDENT Drill) interdisziplinäre Anwendung finden. Ergebnisse zu entwickeln, die auch außerhalb des eigenen Anwendungsfeldes gewinnbringend eingesetzt werden können, ist für uns […]Manchmal sind die Verbindungen zwischen verschiedensten Themengebieten kürzer als man denkt. Deshalb ist es für uns eine besondere Freude, dass unsere Forschungsergebnisse aus dem Projekt DARTS nun auch im Bereich der planetaren Robotik (NASA TRIDENT Drill) interdisziplinäre Anwendung finden. Ergebnisse zu entwickeln, die auch außerhalb des eigenen Anwendungsfeldes gewinnbringend eingesetzt werden können, ist für uns […]
Mehr lesen über Von Zeitreihenintegration zur Fehlererkennung für Planetare Bohrroboter