Dr. rer. nat. Philipp Kranen

Wissenschaftlicher Mitarbeiter
Raum:6327
Email:kranen@informatik.rwth-aachen.de
Publikationen: 36 Einträge

Seit August 2012 tätig bei Microsoft Research.

 

Forschungschwerpunkte

 

Klassifikation und Analyse von Daten und Datenströmen

 

Forschungsprojekte

  • UMIC - Ultra High-Speed Mobile Information and Communication
    • Forschungsbereich B: Mobile Applications & Services
      • Stream Data Mining
      • Anytime Algorithms
    • Forschungsbereich D: Cross Disciplinary Methods and Tool
      • Energy Efficient Data Dissemination
  • SFB 686 - Project A6 "Anytime-Verfahren zur prädiktiven Regelung mittels dynamisch adaptiver Modelle"
  • (EMD - Earth Mover's Distance)

 

Das Video der One-Minute-Madness (100 Sekunden zum Thema Anytime Algorithmen) gibts hier. Ein ausführlicheres Video zum Thema Anytime Clustering ist unten auf dieser Seite zu finden.

 

 

Ausgewählte Publikationen (komplette Liste)

 

Kranen P., Assent I., Seidl T.:
An Index-inspired Algorithm for Anytime Classification on Evolving Data Streams
Datenbank-Spektrum (Springer DASP), Volume 12, Issue 1 P.43-50 (2012) DOI: 10.1007/s13222-012-0083-9
[DASP Journal - full text]

 

Kremer H., Kranen P., Jansen T., Seidl T., Bifet A., Holmes G., Pfahringer B.:
An Effective Evaluation Measure for Clustering on Evolving Data Streams
Proc. of the 17th ACM International Conference on Knowledge Discovery and Data Mining (SIGKDD 2011), San Diego, CA, USA P.868-876 (2011)

[KDD 2011] [DOI: 10.1145/2020408.2020555
 

Kranen P., Seidl T.:
Harnessing the Strengths of Anytime Algorithms for Constant Data Streams
Data Mining and Knowledge Discovery Journal (Springer DMKD), Special Issue on Selected Papers from ECML PKDD 2009, Vol. 19, No. 2, S.245-260 (2009) [DOI 10.1007/s10618-009-0139-0]
[DMKD Journal - full text]


Kranen P., Assent I., Baldauf C., Seidl T.:
Self-Adaptive Anytime Stream Clustering
Proc. of the IEEE International Conference on Data Mining (ICDM 2009), Miami, USA S.249-258 (2009)
[ICDM 2009] [DOI: 10.1109/ICDM.2009.47]


Wichterich M., Assent I., Kranen P., Seidl T.:
Efficient EMD-based Similarity Search in Multimedia Databases via Flexible Dimensionality Reduction
Proc. of the ACM International Conference on Management of Data (SIGMOD 2008), Vancouver, BC, Canada. S.199-212 (2008)
[SIGMOD 2008] [DOI: 10.1145/1376616.1376639]

 

 

Eingeladene Vorträge: 

 

National Institute of Informatics (NII), Tokyo, Japan, 2010

Siemens Corporate Research, Princeton, NJ, USA, 2011

 

 

Gutachten für Internationale Konferenzen und Zeitschriften: 

  • SDM 2010, 2011 (SIAM Data Mining)
  • ACM SIGKDD 2009, 2010, 2011, 2012 (Knowledge Discovery and Data Mining)
  • EDBT 2008, 2009, 2010 (International Conference on Extending Database Technology)
  • ICDE 2008, 2009, 2010 (IEEE International Conference on Data Engineering)
  • PAKDD, SSDBM
  • IEEE Transactions on Computers
  • IEEE Transactions on Knowledge and Data Engineering
  • IEEE Transactions on Knowledge Discovery from Data
  • Springer Datamining and Knowledge Discovery
  • ACM Computing Surveys 

  

Lehre

  • Dozent in der Vorlesung 
    • Exploring Temporal and Graph Data: Mining & Retrieval
    • Ringvorlesung Medizinische Bildverarbeitung
  • Übungen zu Vorlesungen 
    • Data Mining Algorithms
    • Algorithmen und Datenstrukturen
    • Technische Informatik 
  • Regelmäßige Betreuung von Praktika und Seminararbeiten
  • Betreuung von Abschlussarbeiten (Diplom, Bachelor, Master)

  

INTEGER Lehrkonzept:

 

INTEGER (INTEGration of Education and Research) ist ein Konzept zur Integration von Lehre und Forschung. Eine Projektbeschreibung, erreichte Erfolge und Publikationen sind unter INTEGER zu finden. Durch INTEGER wurden zahlreiche Studierende der Informatik frühzeitig an das wissenschaftliche Arbeiten herangeführt und im Rahmen von Praktika sowie als studentische Hilfskräfte angeleitet.

 

 

Abschlussarbeit

Dimensionsreduktion für die Earth Mover's Distanz für schnelles Multimedia-Retrieval

Betreuer: Wichterich M.
Typ: Diplomarbeit

Anytime Algorithms for Stream Data Mining

Betreuer: Seidl T.
Typ: Dissertation