Persönlicher Status und Werkzeuge

Prof. Dr. Stephan Günnemann

Assistant Professor

Data Mining and Analytics

Fakultät

Informatik

Wissenschaftliche Laufbahn und Forschungsgebiete

Prof. Günnemann forscht im Bereich Data Mining und Machine Learning. Er beschäftigt sich mit dem Design und der Analyse von robusten und skalierbaren Data Mining-Verfahren, welche es ermögli­chen, große Datenmengen im Bereich der Wissenschaft und Industrie zu analysieren und zu ver­stehen. Insbesondere erforscht er Methoden zur Analyse von komplexen Daten wie Netzwerken, Graphen und temporalen Daten.
Prof. Günnemann promovierte 2012 an der RWTH Aachen im Bereich der Informatik. Von 2012 bis 2015 war er an der Carnegie Mellon University, USA zunächst als Postdoctoral Fellow und später als Senior Researcher beschäftigt. Prof. Günnemann war Gastwissenschaftler an der Simon Fraser University, Kanada sowie Forscher am Research & Technology Center der Siemens AG. Im Jahr 2015 gründete er eine Emmy Noether Forschungsgruppe an der Fakultät für Informatik. Seit 2016 ist er Professor für Data Mining & Analytics an der Technischen Universität München.

Wichtigste Auszeichnungen

  • Aufnahme in das Emmy-Noether-Programm der DFG (2015)
  • Forschungsstipendium des DAAD im Postdoc-Programm (2012 & 2013)
  • Dissertationspreis der Gesellschaft für Informatik (2013)
  • Borchers-Plakette (2013)
  • Friedrich-Wilhelm-Preis (2009)

Schlüsselpublikationen (alle Publikationen)

Günnemann S, Günnemann N, Faloutsos C: „Detecting Anomalies in Dynamic Rating Data: A Robust Probabilistic Model for Rating Evolution“. ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2014: 841-850.

Abstract

Günnemann S, Färber I, Boden V, Seidl T: „GAMer: A Synthesis of Subspace Clustering and Dense Subgraph Mining“. Knowledge and Information Systems. 2014; 40(2): 243-278.

Abstract

Günnemann S, Färber I, Rüdiger M, Seidl T: „SMVC: Semi-Supervised Multi-View Clustering in Subspace Projections“. ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 2014: 253-262.

Abstract

Günnemann S, Boden B, Seidl T: „Finding Density-Based Subspace Clusters in Graphs with Feature Vectors“. Data Mining and Knowledge Discovery Journal. 2012; 25(2): 243-269.

Abstract

Müller E, Günnemann S, Assent I, Seidl T: „Evaluating Clustering in Subspace Projections of High Dimensional Data“. PVLDB. 2009; 2(1): 1270-1281.

Abstract