Die Professur Bioanalytik und Data Science an der Universität Potsdam (gemeinsame Berufung mit dem Fraunhofer IZI-BB) entwickelt robuste Methoden zur Mustererkennung und Merkmalsextraktion aus biomedizinischen Datensätzen.
Forschungsschwerpunkte sind Unsupervised Learning, Explainable AI, Data Fusion sowie mathematische Modellierung und Optimierung. Die methodische Arbeit wird direkt in bioanalytische Anwendungsszenarien wie Point-of-Care-Diagnostik oder prädiktive Biomarker-Identifikation überführt.
Universität Potsdam
Am Mühlenberg 9
Haus 62 (H-Lab)
14476 Potsdam – Golm
☎ +49 331 977 230103
max.pfeffer[at]fgw-brandenburg.de
Fraunhofer IZI-BB
Am Mühlenberg 13
14476 Potsdam – Golm
☎ +49 331 58187 314
max.pfeffer[at]izi-bb.fraunhofer.de
Wir verwenden Matrix- und Tensorzerlegungen für Clustering, Pattern Recognition und Feature Extraction. Zusätzliche Nebenbedingungen wie Nichtnegativität oder Zeitregularität ermöglichen bessere Interpretierbarkeit und eine Rauschreduzierung. Auch im Supervised Learning können die Methoden für zusätzliche Erklärbarkeit der Ergebnisse eingesetzt werden.
Die Arbeitsgruppe betrachtet den gesamten Prozess von Modellierung, über Optimierung, bis zur Anwendung. Für komplexe und große Datensätze entwickeln wir angepasste Modelle für Unsupervised Learning und Data Fusion. Daraus resultieren hochdimensionale Optimierungsprobleme mit vielen, teils nichtglatten, Nebenbedingungen, welche die Weiterentwicklung von Verfahren auf glatten (Matrix-)Mannigfaltigkeiten erfordern.
Unsere Methoden finden im Clustering von Krebspatienten durch integrative Analysis von multi-omics Daten und bei Pattern Recognition in Zeitreihendaten Anwendung, aber auch für die Analyse und Feature Extraction von Daten, die in Point-of-Care-Diagnostic-Tools anfallen. Darüber hinaus können die Datenstrukturen für Berechnungen in der Quantenchemie und der Signalverarbeitung verwendet werden.
M. Bachmayr, S. Krämer, M. Pfeffer:
Low-rank eigenvalue solvers for block-sparse matrix product states. (2026)
[bibtex],[arxiv]
V. Zalbertus, M. Pfeffer, A. Schmeding:
Optimization on Weak Riemannian Manifolds. (2026)
[bibtex],[arxiv]
V. Borovik, H. Friedman, S. Hoşten, M. Pfeffer:
Numerical Algebraic Geometry for Energy Computations on Tensor Train Varieties. (2025)
[bibtex],[arxiv]
R. Bergmann, H. Jasa, P. John, M. Pfeffer:
The Intrinsic Riemannian Proximal Gradient Method for Convex Optimization. (2025)
[bibtex],[arxiv]
R. Bergmann, H. Jasa, P. John, M. Pfeffer:
The Intrinsic Riemannian Proximal Gradient Method for Nonconvex Optimization. (2025)
[bibtex],[arxiv]
K. Kour, S. Dolgov, P. Benner, M. Stoll, M. Pfeffer:
A weighted subspace exponential kernel for support tensor machines. (2023)
[bibtex],[arxiv]
C. Chatzis, C. Schenker, M. Pfeffer, E. Acar:
tPARAFAC2: Tracking evolving patterns in (incomplete) temporal data. (2025)
[bibtex],[link],[arxiv]
J. Koenig, M. Pfeffer, M. Stoll:
Efficient training of Gaussian processes with tensor product structure.
Computational Optimization and Applications (2025)
[bibtex],[link],[arxiv]
F. Reggiani, Z. El Rashed, M. Petito, M. Pfeffer, A. Morabito, E. T. Tanda, F. Spagnolo, M. Croce, U. Pfeffer, A. Amaro:
Machine Learning Methods for Gene Selection in Uveal Melanoma.
International Journal of Molecular Sciences 25(3) (2024)
[bibtex],[link]
M. Pfeffer, J. Samper:
The cone of 5×5 completely positive matrices.
Discrete & Computational Geometry (2024)
[bibtex],[link],[arxiv]
A. Amaro, M. Pfeffer, U. Pfeffer, F. Reggiani:
Evaluation and Comparison of Multi-Omics Data Integration Methods for Subtyping of Cutaneous Melanoma.
Biomedicines 10(12) (2022)
[bibtex],[link]
H. Eisenmann, F. Krahmer, M. Pfeffer, A. Uschmajew:
Riemannian thresholding methods for row-sparse and low-rank matrix recovery.
Numerical Algorithms (2022)
[bibtex],[link],[arxiv]
M. Bachmayr, M. Götte, M. Pfeffer:
Particle number conservation and block structures in Matrix Product States.
Calcolo 59, 24 (2022)
[bibtex],[link],[arxiv]
C. Krumnow, M. Pfeffer, A. Uschmajew:
Computing eigenspaces with low rank constraints.
SIAM Journal on Scientific Computing, 43 (2021) 1, p. 586-608
[bibtex],[link],[preprint]
M. Eigel, M. Marschall, M. Pfeffer, R. Schneider:
Adaptive Stochastic Galerkin FEM for lognormal coefficients in hierarchical tensor representations.
Numerische Mathematik, 145 (2020) 3, p. 655-692
[bibtex],[link],[arxiv]
M. Pfeffer, A. Seigal, B. Sturmfels:
Learning paths from signature tensors.
SIAM journal on matrix analysis and applications, 40 (2019) 2, p. 394-416
[bibtex],[link],[arxiv],[github]
M. Pfeffer, A. Uschmajew, A. Amaro, U. Pfeffer:
Data fusion techniques for the integration of multi-domain genomic data from uveal melanoma.
Cancers, 11 (2019) 10, 1434
[bibtex],[link],[preprint]
M. Eigel, M. Pfeffer, R. Schneider:
Adaptive stochastic Galerkin FEM with hierarchical tensor representations.
Numerische Mathematik, 136 (2017) 3, p. 765-803
[bibtex],[link],[preprint]
S. Szalay, M. Pfeffer, V. Murg, G. Barcza, F. Verstraete, R. Schneider, Ö. Legeza:
Tensor product methods and entanglement optimization for ab initio quantum chemistry.
International journal of quantum chemistry, 115 (2015) 19, p. 1342-1391
[bibtex],[link],[arxiv]
C. Chatzis, M. Pfeffer, P. Lind, E. Acar:
A Time-aware tensor decomposition for tracking evolving patterns.
2023 IEEE 33rd International Workshop on Machine Learning for Signal Processing (MLSP)
[bibtex],[link],[arxiv]
M. Pfeffer: Tensor methods for the numerical solution of high-dimensional parametric partial differential equations.
Dissertation, Technische Universität Berlin, 2018
[bibtex],[link]
M. Pfeffer: Aspects of second-order optimization on fixed rank tensor manifolds.
Masterarbeit, Technische Universität Berlin, 2015
M. Pfeffer: Dynamical low rank approximation in novel TT format.
Bachelorarbeit, Technische Universität Berlin, 2011
