Am Dies Academicus wird Nicolai Amann mit der höchsten akademischen Auszeichnung, der Promotion sub auspiciis praesidentis rei publicae für seine herausragenden Leistungen im Doktoratsstudium der Statistik an der Universität Wien geehrt. Die "Promotion sub auspiciis praesidentis rei publicae" würdigt Absolventinnen und Absolventen, die während ihrer gesamten akademischen Laufbahn ausschließlich exzellente Leistungen erbracht haben.

Ein beeindruckender akademischer Werdegang

Nicolai Amann absolvierte zunächst ein Bachelor- und Masterstudium in Statistik und Wirtschaftsmathematik an der Technischen Universität Wien und schloss 2018 mit Auszeichnung ab. Anschließend nahm er das Doktoratsstudium der Statistik an der Universität Wien auf, welches er 2023 mit Bestnoten abschloss.

Seine wissenschaftlichen Arbeiten fanden bereits breite Anerkennung: Sowohl seine Masterarbeit als auch seine Dissertation wurden von der Österreichischen Statistischen Gesellschaft (ÖSG) ausgezeichnet. 2024 erhielt er zudem den renommierten Bank Austria Forschungspreis.

Seit 2023 forscht und lehrt Nicolai Amann als Postdoc am Institut für Statistik und Operations Research der Universität Wien, wobei sein Schwerpunkt auf der Risikoquantifizierung von Algorithmen liegt – einem hochaktuellen Forschungsgebiet mit weitreichender Bedeutung für Wissenschaft und Wirtschaft.

Seine Dissertation "Assumption-lean conditional predictive inference via the Jackknife" unter der Betreuung von Univ.- Prof. Dr. Hannes Leeb und Assoz.-Prof. Lukas Steinberger untersucht die Risikoquantifizierung hochdimensionaler Algorithmen mithilfe des Jackknife-Ansatzes (mehr dazu unter Forschung und Dissertation).

Die Fakultät für Wirtschaftswissenschaften gratuliert Name herzlich zu dieser außergewöhnlichen Auszeichnung!

Forschung und Dissertation

Nicolai Amann forscht an der Risikoquantifizierung von Algorithmen, die auf hochdimensionalen Daten basieren. Die Abschätzung von Fehlern und deren Wahrscheinlichkeiten ist ein zentrales Gebiet der Statistik, das in den letzten Jahren durch die Fähigkeit, komplexe Informationen (wie z. B. Bilder) zu verarbeiten, vor neue Herausforderungen gestellt wurde.

„Klassische“ asymptotische Statistik basiert auf der Annahme, dass die Stichprobengröße deutlich größer ist als die Dimension der erklärenden Variablen, die für jede Beobachtung zur Verfügung stehen. Diese Annahme ist aber in der modernen Data Science oftmals nicht erfüllt: Werden in der Bilderkennung Aufnahmen mit einer Auflösung von mehreren Megapixeln verarbeitet, so basiert der Algorithmus auf Daten mit einer Dimension von einigen Millionen (Pixeln). In solchen hochdimensionalen Fällen versagen jedoch klassische Methoden zur Risikoquantifizierung, wie z.B. der Bootstrap oder die Verwendung von gefitteten Fehlern zur Erstellung von Prognoseintervallen.

Nicolai Amann beschäftigt sich mit einer weitverbreiteten Methode zur Risikoquantifizierung, dem sogenannten Jackknife, und analysiert, unter welchen Bedingungen diese eine akkurate Fehlerabschätzung liefert. In seiner Dissertation zeigt Nicolai Amann, dass der Jackknife für große Stichproben eine genaue Quantifizierung des Risikos für Algorithmen ermöglicht, sofern diese eine Stabilitätsannahme erfüllen: Diese besagt, dass sich das Ergebnis des Algorithmus im Durchschnitt nur geringfügig ändert, wenn eine einzelne Beobachtung aus den Trainingsdaten entfernt wird.

Zur Berechnung des Jackknife wird in jedem Schritt eine Beobachtung aus den Trainingsdaten entfernt und das Modell auf Basis des verbleibenden Datensatzes trainiert. Anschließend wird der Prognosefehler für die entfernte Beobachtung auf Basis des reduzierten Modells berechnet und danach die Beobachtung wieder zu den Trainingsdaten hinzugefügt. Dieses Prozedere wird nun für jede Beobachtung durchgeführt; die empirische Verteilung der so berechneten Residuen kann dann zur Approximation der tatsächlichen Verteilung des Prognosefehlers einer zukünftigen Beobachtung verwendet werden.

Eine der großen Stärken der Jackknife-Methode ist ihre Universalität, die es ermöglicht, das Risi‚ko beliebiger stabiler Algorithmen zu approximieren, insbesondere auch im hochdimensionalen Fall. Darüber hinaus kann der Jackknife zur Schätzung verschiedener Risikoparameter verwendet werden: Die Anwendung reicht von klassischen Prognoseintervallen und dem mittleren quadratischen Fehler bis hin zum Missklassifikationsfehler als Maß für die statistische Unsicherheit.

Weiters zeigt Nicolai Amann in seiner Dissertation, dass einige bekannte Prädiktoren stabil sind und der Jackknife daher für große Stichproben eine akkurate Approximation des Risikos liefert. Da die Genauigkeit des Jackknife maßgeblich von der Stabilität des Algorithmus abhängt, forscht Nicolai Amann derzeit an einer neuen Methode, die eine akkurate Risikoquantifizierung für beliebige Algorithmen unabhängig von deren Stabilität erlaubt.

Anwendungsgebiete des Jackknife sind moderne Algorithmen, wie sie beispielsweise in der Bilderkennung oder in der Medizin zur computerunterstützten Auswertung von Bildern verwendet werden. In diesen Fällen ist die Abschätzung der Häufigkeit und Schwere von Fehldiagnosen von besonderer Bedeutung. Da die Risikoquantifizierung des Jackknife auf Basis der vorhandenen Trainingsdaten geschieht, ermöglicht diese Methode eine Analyse der Fehlerwahrscheinlichkeiten vor einem potentiellen Einsatz der Algorithmen und liefert so Entscheidungsträger:innen eine wissenschaftlich fundierte Grundlage zur Bewertung des Risikos und Nutzens von Algorithmen.