Prof. Janßen

Prof. Dr. Anja Janßen

Fakultät für Mathematik (FMA)
Institut für Mathematische Stochastik (IMST)
Universitätsplatz 2, 39106 Magdeburg, G18-402
Projekte

Aktuelle Projekte

Mathematische Komplexitätsreduktion (GRK 2297/1)
Laufzeit: 01.04.2017 bis 31.03.2026

Das Projekt wird von den genannten Principal Investigators getragen. Diese sind den Instituten für Mathematische Optimierung (Averkov, Kaibel, Sager), für Algebra und Geometrie (Kahle, Nill, Pott), für Mathematische Stochastik (Kirch, Schwabe) und für Analysis und Numerik (Benner) der Fakultät zugeordnet. Benner ist zudem Direktor des Max-Planck Institutes für Dynamik komplexer technischer Systeme. Die Fakultät für Elektrotechnik und Informationstechnik ist über Findeisen beteiligt.

Im Kontext des vorgeschlagenen Graduiertenkollegs (GK) verstehen wir Komplexität als eine intrinsische Eigenschaft, die einen mathematischen Zugang zu einem Problem auf drei Ebenen erschwert. Diese Ebenen sind eine angemessene mathematische Darstellung eines realen Problems, die Erkenntnis fundamentaler Eigenschaften und Strukturen mathematischer Objekte und das algorithmische Lösen einer mathematischen Problemstellung. Wir bezeichnen alle Ansätze, die systematisch auf einer dieser drei Ebenen zu einer zumindest partiellen Verbesserung führen, als mathematische Komplexitätsreduktion.

Für viele mathematische Fragestellungen sind Approximation und Dimensionsreduktion die wichtigsten Werkzeuge auf dem Weg zu einer vereinfachten Darstellung und Rechenzeitgewinnen. Wir sehen die Komplexitätsreduktionin einem allgemeineren Sinne und werden zusätzlich auch Liftings in höherdimensionale Räume und den Einfluss der Kosten von Datenerhebungen systematisch untersuchen. Unsere Forschungsziele sind die Entwicklung von mathematischer Theorie und Algorithmen sowie die Identifikation relevanter Problemklassen und möglicher Strukturausnutzung im Fokus der oben beschriebenen Komplexitätsreduktion.

Unsere Vision ist ein umfassendes Lehr- und Forschungsprogramm, das auf geometrischen, algebraischen, stochastischen und analytischen Ansätzen beruht und durch effiziente numerische Implementierungen komplementiert wird. Die Doktorandinnen und Doktoranden werden an einem maßgeschneiderten Ausbildungsprogramm teilnehmen. Dieses enthält unter anderem Kompaktkurse, ein wöchentliches Seminar und ermutigt zu einer frühzeitigen Integration in die wissenschaftliche Community. Wir erwarten, dass das GK als ein Katalysator zur Etablierung dieser erfolgreichen DFG-Ausbildungskonzepte an der Fakultät für Mathematik dienen und zudem helfen wird, die Gleichstellungssituation zu verbessern.

Die Komplexitätsreduktion ist ein elementarer Aspekt der wissenschaftlichen Hintergründe der beteiligten Wissenschaftler. Die Kombination von Expertisen unterschiedlicher mathematischer Bereiche gibt dem GK ein Alleinstellungsmerkmal mit großen Chancen für wissenschaftliche Durchbrüche. Das GK wird Anknüpfungspunkte an zwei Fakultäten der OVGU, an ein Max Planck Institut und mehrere nationale und internationale Forschungsaktivitäten in verschiedenen wissenschaftlichen Communities haben. Die Studierenden im GK werden in einer Fülle von mathematischen Methoden und Konzepten ausgebildet und erlangen dadurch die Fähigkeit, herausfordernde Aufgaben zu lösen. Wir erwarten Erfolge in der Forschung und in der Ausbildung der nächsten Generation führender Wissenschaftler in Akademia und Industrie.

Projekt im Forschungsportal ansehen

Reguläre Variation von stochastischen Netzwerken
Laufzeit: 01.04.2021 bis 31.03.2025

Stochastische Netzwerke sind zufällige Graphen, die sich zeitdynamisch entwickeln, und zur Modellierung von Verbindungen (z.B. Freundschaften, Nahrichtenaustausch, etc.) zwischen Netzwerkteilnehmern im Zeitverlauf eingesetzt werden können. Eine Vielzahl von mathematischen Modellen existiert für die Spezifikation dieser Prozesse und für viele Anwendungen haben sich die sogenannten "Preferential Attachment Modelle" als sinnvoll erwiesen, in denen die Wahrscheinlichkeit für das Entwickeln einer neuen Verbindung positiv von der Anzahl der bereits vorhandenen Verbindngen eines Objektes abhängt. In diesen Modellen treten auf natürlichem Wege (Grad-)Verteilungen mit schweren Tails auf, wenn die Netzwerkgröße gegen unendlich geht. Bisher wurde jedoch allein dieses asymptotische Verhalten untersucht ohne Rücksicht auf die Tatsache, dass wir in der Realität stets Netzwerke mit einer endlichen, zufälligen Anzahl von Teilnehmern beobachten. Das Ziel dieses Projektes ist es, diese Zufälligkeit in die Modellierung von stochastischen Netzwerken einfließen zu lassen und die resultierenden Netzwerke im Rahmen der Methoden der Extremwerttheorie zu untersuchen.

Projekt im Forschungsportal ansehen

Principal component analysis for multivariate extremes
Laufzeit: 01.11.2021 bis 31.10.2024

The aim of this project is to explore extensions of the classical dimension reduction technique of principal component analysis (PCA) to the setting of multivariate extreme value theory. In this setting, a challenging aspects is that in the natural modelling framework of non-negative max-stable vectors the orthogonal decomposition in the Euclidean space standing behind the PCA for normally distributed data is no longer applicable. Instead, the max-times-algebra lends itself to a more suitable framework for a decomposition of the dependence structure. This project explores how an optimal projection of a max-stable vector into a lower dimensional space can be implemented efficiently, justified theoretically and how we can interpret the result for specific classes of models

Projekt im Forschungsportal ansehen

Abgeschlossene Projekte

An Overview over Clustering for Extremes
Laufzeit: 01.06.2023 bis 31.12.2023

In this project we provide an overview over several clustering methods for extremes by shedding light on similarities and differences between the three methods of k-means clustering, k-principal components clusterming and spherical clustering which are applied to the (estimated) spectral measure of a multivariate extreme value distribution. The aim is also to provide some practical guidelines about the implementations of all three methods.

Projekt im Forschungsportal ansehen

Invariance properties of extremal cluster processes
Laufzeit: 01.03.2022 bis 30.11.2023

This project introduces the general notion of a cluster process as a limiting point process of returns of a certain event in a time series, with a special focus on extremes. Under mild stationarity assumptions of the underlying time series the limiting process has certain invariance properties. Of particular interest are the cluster size distributions, where one needs to distinguish between a typical and inspected cluster sizes, which differ in their properties. As a central result of this project we derive a kind of "inspection paradox" for extremal clusters.

Projekt im Forschungsportal ansehen

Metric based complexity reduction for multivariate extremes
Laufzeit: 01.09.2021 bis 31.12.2022

For the extremal analysis of multivariate data, the (empirical) tail correlation matrix is an important characteristic that measures extremal dependence. In this project, we further explore the properties of this matrix and its connection to max-stable representations of the underlying dependence structure. Via the embedding of the correlation matrix into a distance function and subsequent simplification of this distance function in the form of line and tree metrics we detect extremal dependence patterns.

Projekt im Forschungsportal ansehen

Cluster based inference for extremes of time series
Laufzeit: 01.09.2020 bis 30.09.2021

This is work is part of the Ph.D.-project of Sebastian Neblung, for whom I am the second supervisor.

In this project we introduce a new type of estimator for the spectral tail process of a regularly varying time series. The approach is based on a characterizing invariance property of the spectral tail process which has been derived in Janßen (2019) and is incorporated into the new estimator via a projection technique. Based on the limit results for empirical tail processes developed in Drees & Neblung (2019), we show uniform asymptotic normality of this estimator both in the case of known and unknown index of regular variation. A simulation study illustrates that the new procedure provides an often more stable alternative to previous estimators.

Projekt im Forschungsportal ansehen

Kooperationen
  • Johan Segers, UCLouvain, LIDAM/ISBA
  • M.Sc. Sebastian Neblung
  • Phyllis Wan, Erasmus School of Economics, Erasmus University Rotterdam
  • Prof. Dr. Holger Drees
  • UCLouvain, LIDAM/ISBA, Louvain-la-Neuve, Johan Segers

Letzte Änderung: 08.06.2023 - Ansprechpartner: Webmaster