Data Analytics
Prof. Dr. habil. Rouven E. Haschka
Dr. Samyajoy Pal
Research Associate
Dr. Samyajoy Pal ist derzeit Postdoktorand und wissenschaftlicher Mitarbeiter am Lehrstuhl für Data Analytics der Fakultät für Wirtschaftswissenschaften an der RPTU Kaiserslautern-Landau.
Er promovierte im Fach Statistik am Department of Statistics der LMU München. Seine Forschung bewegt sich an der Schnittstelle von Statistik, Machine Learning und Künstlicher Intelligenz mit einem besonderen Schwerpunkt auf den methodischen und theoretischen Grundlagen des Statistical Learning, der mathematischen Statistik sowie der statistischen Inferenz.
Seine Forschungsschwerpunkte liegen insbesondere auf flexiblen multivariaten Mischmodellen und deren Anwendungen im statistischen Machine Learning, modellbasierten Clustering, Klassifikation und Predictive Modelling. Weitere Forschungsgebiete umfassen generalisierte lineare Modelle, die Analyse hochdimensionaler und kompositioneller Daten, regularisierte Regressionsverfahren sowie multivariate statistische Modellierung.
Ein zentrales Ziel seiner Forschung ist die Entwicklung interpretierbarer und probabilistisch fundierter Machine-Learning-Methoden, die klassische statistische Inferenz mit modernen KI-Ansätzen verbinden. In diesem Zusammenhang beschäftigt er sich mit Explainable Artificial Intelligence (XAI), interpretablem Machine Learning sowie tiefen neuronalen Netzwerken auf Basis von Variational Autoencoders (VAEs) und mischungsbasierten latenten Variablenmodellen. Seine Forschung zielt darauf ab, die statistischen Grundlagen moderner KI durch theoretisch fundierte, interpretierbare und inferenzbasierte Lernmethoden zu stärken.
Forschungsinteressen
Statistical Learning, Statistische Inferenz, Mathematische Statistik, Interpretable Machine Learning, Explainable Artificial Intelligence, Multivariate Mischmodelle, Modellbasiertes Clustering, Hochdimensionale Datenanalyse
Weitergehende Informationen
- "Statistical Programing in R (WiSe 25/26)
- Übung “Quantitative Methoden” (WiSe/ 25/26)
Pal, S. (2025). Advances in finite mixture models with applications to unsupervised learning. PhD Dissertation, LMU Munich.
Pal, S., & Heumann, C. (2025). Revisiting Dirichlet Mixture Model: unraveling deeper insights and practical applications. Statistical Papers, 66 (1), 2.
Pal, S., & Heumann, C. (2024). Flexible Multivariate Mixture Models: A Comprehensive Approach for Modeling Mixtures of Non‐Identical Distributions. International Statistical Review.
Pal, S., & Heumann, C. (2024). Gene coexpression analysis with Dirichlet mixture model: accelerating model evaluation through closed-form KL divergence approximation using variational techniques. In: International Workshop on Statistical Modelling, 134–141. Springer Nature Switzerland.
Pal, S., & Heumann, C. (2024). Gaussian mixture model with modified hard EM algorithm in clustering problems. In: Statistical Modeling and Applications on Real-Time Problems, 153–179. CRC Press.
Pal, S., & Heumann, C. (2022). Clustering compositional data using Dirichlet mixture model. PLOS One, 17 (5), e0268438.