Biographie

Marcel Wienöbst arbeitet seit 2019 am Institut für Theoretische Informatik der Universität zu Lübeck an seiner Dissertation zum Thema "Algorithms for Causal Discovery", welche sich mit grundlegenden Problemstellungen in der Kausalitätsforschung befasst.

Kausale Fragen dominieren unsere Welt: in alltäglichen Gedankenspielen wie "Was wäre wenn...?", aber auch in den empirischen Wissenschaften, beispielhaft in der Medizin, wo Fragen wie "Hat das neue Medikament die Patientin geheilt?" die Ärzte beschäftigen. Genauso wird von vertrauenswürdigen und erklärbaren KI-Systemen ein tiefes Verständnis von Ursache und Wirkung erwartet.

Durch die von Turing-Award Gewinner Judea Pearl geprägte Kausalitätslehre auf Basis von graphischen Modellen lassen sich kausale Systeme transparent, intuitiv und mathematisch sauber beschreiben. Um diese Techniken für große Datenmengen nutzbar zu machen, sind jedoch effiziente Algorithmen nötig. Solche entwirft Marcel Wienöbst in seiner Forschung und konnte hier bereits fundamentale Probleme lösen, insbesondere zum besseren Verständnis und zur effizienten Handhabung von Markoväquivalenzklassen. Diese bestehen aus durch Beobachtungsdaten nicht unterscheidbaren Modellen und spielen damit eine zentrale Rolle beim Lernen von kausalen Beziehungen im Big-Data Zeitalter. Seine Entwicklung dieser neuen Algorithmen wurde mit mehreren Preisen ausgezeichnet, darunter der Distinguished Paper Award (AAAI 2021) und der Best Student Paper Award (UAI 2021 und 2022).

___

English:

Marcel Wienöbst has been working at the Institute for Theoretical Computer Science at the University of Lübeck since 2019 on his dissertation on "Algorithms for Causal Discovery", which deals with fundamental problems in causality research.

Causal questions dominate our world: in everyday thought games such as "What if...?", but also in the empirical sciences, for example in medicine, where questions such as "Did the new drug cure the patient?" occupy doctors. In the same way, trustworthy and explainable AI systems are expected to have a deep understanding of cause and effect.

Causality theory, coined by Turing Award winner Judea Pearl, based on graphical models allows causal systems to be described transparently, intuitively and mathematically cleanly. However, efficient algorithms are needed to make these techniques usable for large amounts of data. Marcel Wienöbst designs such algorithms in his research and has already been able to solve fundamental problems, in particular for a better understanding and efficient handling of Markov equivalence classes. These consist of models that cannot be distinguished by observational data and thus play a central role in learning causal relationships in the Big Data age. His development of these new algorithms has won several awards, including the Distinguished Paper Award (AAAI 2021) and the Best Student Paper Award (UAI 2021 and 2022).

Fragestellungen im Themenfeld Künstliche Intelligenz

Machen Süßigkeiten schlank oder Handyspiele süchtig? Solche kausalen Aussagen begegnen uns immer wieder. In seiner Dissertation untersucht Marcel Wienöbst, ob und wie es überhaupt möglich ist, aus Daten kausale Schlüsse zu ziehen.

___

English:

Do sweets make you slim or mobile games addictive? We encounter such causal statements again and again. In his dissertation, Marcel Wienöbst investigates whether and how it is at all possible to draw causal conclusions from data.