Data Science beschäftigt sich mit der Auswertung von Daten, die im Zuge der digitalen Revolution in immer größerem Umfang zur Verfügung stehen. „Denken Sie etwa an die großen Fortschritte bei der DNA-Sequenzierung in der Biologie, aufgrund derer mittlerweile enorme Datenmengen an Erbinformationen zur Verfügung stehen“, erklärt Stöger. Im Hinblick auf Deep-Learning-Verfahren etwa sei die Theoriebildung jedoch noch am Anfang und mathematisch noch unzureichend verstanden, wie diese Verfahren funktionieren. Dies sei jedoch zunehmend problematisch, da solche Algorithmen auch verstärkt in Bereichen zum Einsatz kämen, die sicherheitsrelevant sind – etwa in der Medizin oder dem autonomen Fahren.
„Das Ziel meiner Forschung ist es, ein theoretisches Fundament zu entwickeln, das erklärt, warum und unter welchen Voraussetzungen diese Methoden funktionieren. Dafür verwende ich unter anderem Methoden aus der hochdimensionalen Wahrscheinlichkeitstheorie, der Statistik als auch aus der mathematischen Optimierung“, schildert Stöger, der sich in dieser Hinsicht auch als Grundlagenforscher versteht. So gelte es etwa mathematisch zu klären, wie viele Daten für eine valide und sichere Aussage wirklich nötig sind.
Dr. Dominik Stöger studierte Mathematik von 2011 bis 2015 Mathematik an der Technischen Universität München. Für seine Promotion im Jahr 2019 beschäftigte er sich mit sogenannten bilinearen inversen Problemen wie die blinde Entfaltung, welche zum Beispiel in der Nachrichtentechnik oder der Bildverarbeitung auftauchen. Als Postdoc war Stöger zuletzt seit 2019 an der University of South California in Los Angeles tätig.