Data Mining Arbeitsgruppe – TU Dortmund

Prof. Dr. Erich Schubert

Die Data-Mining-Arbeitsgruppe von Prof. Dr. Erich Schubert konzentriert sich auf unüberwachte Datenanalyse und gehört zum Lehrstuhl für Künstliche Intelligenz.

Wir bieten Seminare, Vorlesungen und Abschlussarbeiten zu verwandten Themen an, die darauf ausgerichtet sind Forschung in diesem Bereich voranzutreiben.

Unsere Forschung konzentriert sich auf die Weiterentwicklung der Methoden (insb. der Verbesserung der Qualität und Geschwindigkeit).

Zu den wichtigsten Forschungsbereichen gehören: (i) Clusteranalyse (ii) Anomalieerkennung (iii) Intrinsische Dimensionalität und Datenkomplexität (iv) Themenmodellierung (v) Ereigniserkennung (vi) Ähnlichkeitssuche in Datenbanken.

Roboter-Wissenschatler feiert eine Meldung (teaser)

11.08.2025

Prof. Schubert in den "most influential scientists"

Der Statistiker John Ioannidis von Stanford veröffentlicht eine Liste mit den 100.000 einflussreichsten Wissenschaftlern (domänenübergreifend).

In dem single-year Ranking der aktuellen Ausgabe (basierend auf den Daten für das Jahr 2024, veröffentlicht Oktober 2025) verbessert sich Prof. Schubert auf den Platz 28048 über alle Wissenschaften, gegenüber 41274 (2023), 62210 (2022) und 92735 (2021).

10.08.2025

Best paper award und sieben neue Veröffentlichungen

Best paper award für Erik Thordsen und Erich Schubert, Theoretical and Practical Insights into Graph-Based Indexing auf der 18th International Conference on Similarity Search and Applications (SISAP) in Reykjavik, Iceland!

In 2025 haben wir bisher sieben neue Veröffentlichungen, in Springer Data Mining and Knowledge Discovery, Elsevier Information Systems, auf der HICSS und auf der SISAP.

12.05.2025

Archetype Discovery from Taxonomies: A Method to Cluster Small Datasets of Categorical Data, Lars Lenssen, Philip Stahmann, Christian Janiesch, Erich Schubert, 58th Hawaii Int. Conf. on System Sciences (HICSS), best paper nomination
Hierarchical Clustering Without Pairwise Distances by Incremental Similarity Search, Erich Schubert,Int. Conf. on Similarity Search and Applications, SISAP, 2024
Advancing the PAM Algorithm to Semi-supervised k-Medoids Clustering, Miriama Jánošová, Andreas Lang, Petra Budikova, Erich Schubert, Vlastislav Dohnal, Int. Conf. on Similarity Search and Applications, SISAP, 2024
Grouping Sketches to Index High-Dimensional Data in a Resource-Limited Setting, Erik Thordsen, Erich Schubert, Int. Conf. on Similarity Search and Applications, SISAP, 2024

12.10.2023

Drei Preise in einer Woche

Drei Auszeichnungen in einer Woche:

best student paper award der SISAP 2023 für die Verbesserung Sketch-basierter Ähnlichkeitssuche in hochdimensionalen Daten: Erik Thordsen and Erich Schubert. An Alternating Optimization Scheme for Binary Sketches for Cosine Similarity Search
best paper award der SISAP 2023 für den gleichen Beitrag
best paper award der Fachgruppe Knowledge Discovery, Data Mining und Machine Learning (KDML) auf der LWDA 2023 für die Beschleunigung von nachbarschafts-konsistentem Clustering: Lars Lenssen, Niklas Strahmann and Erich Schubert. Fast k-Nearest-Neighbor-Consistent Clustering

06.10.2023

Neue Publikationen

Neue Publikationen:

Lars Lenssen and Erich Schubert. Medoid Silhouette clustering with automatic cluster number selection. In: Information Systems 120, 102290, 2024 (online 2023)
Lars Lenssen, Niklas Strahmann and Erich Schubert. Fast k-Nearest-Neighbor-Consistent Clustering In: Proceedings of the Conference "Lernen, Wissen, Daten, Analysen" (LWDA), Marburg, Germany, 2023, to appear. best paper award
Melanie Derksen et al. Who Did What When? Discovering Complex Historical Interrelations in Immersive Virtual Reality In: 22nd IEEE International Symposium on Mixed and Augmented Reality (ISMAR), 2023, to appear.