Themengebiet Bayes'sches Deep Learning
Neuronale Netze, die Grundlage heutiger KI-Systeme wie großer Sprachmodelle (Large Language Models, LLMs), liefern in der Regel eine einzige Antwort, ohne anzugeben, wie verlässlich diese ist. Gerade in sensiblen Anwendungen ist es aber entscheidend zu wissen, wann ein Modell unsicher ist. Bayes'sche Methoden können diese Unsicherheit erfassen, indem sie nicht nur ein Modell, sondern viele plausible Varianten betrachten. Bei modernen Netzen mit Millionen bis Milliarden von Parametern ist das jedoch praktisch nicht berechenbar.
Hier setzt die Dissertation „Subspace Methods for Uncertainty Quantification in Bayesian Deep Learning“ an. Beim Training sucht ein neuronales Netz in einer riesigen „Landschaft“ möglicher Einstellungen nach Tälern, in denen es gute Ergebnisse liefert. Daniel Dold nutzt die Beobachtung, dass diese Täler über Pfade miteinander verbunden sind. Statt die Unsicherheit im gesamten, extrem hochdimensionalen Raum zu berechnen, beschränken sich seine Verfahren auf diese niedrigdimensionalen Strukturen. So werden verlässliche Unsicherheitsaussagen effizient möglich, von spezialisierten Regressionsmodellen bis hin zu einem großen Sprachmodell mit sieben Milliarden Parametern.

Betreuung und Abschluss
Die Promotion erfolgte kooperativ zwischen der der Ludwig-Maximilians-Universität München (LMU) und der HTWG Konstanz. Erstbetreuer war Prof. Dr. David Rügamer von der Data Science Group an der LMU. Seitens der HTWG wurde die Arbeit von Prof. Dr. Oliver Dürr, Professor in der Fakultät Informatik mit dem Schwerpunkt Data Science und Mitglied des Instituts für Optische Systeme (IOS), betreut. Am 23. September 2026 verteidigte Daniel Dold seine Dissertation an der Fakultät für Mathematik, Informatik und Statistik der LMU und schloss seine Promotion mit „magna cum laude“ (1,0) ab. Zuvor hatte Daniel Dold an der HTWG Konstanz Automobil- und Informationstechnology (B.Eng.) und anschließend Informatik im Master mit Schwerpunkt Autonome Systeme (M.Sc.) studiert. Seine Abschlussarbeit schrieb er bereits am IOS und kam somit bereits in Kontakt zu Forschungsthemen.

Veröffentlichungen 
Im Machine Learning erscheinen die maßgeblichen Forschungsergebnisse vor allem auf wenigen, hochselektiven internationalen Konferenzen. Als Erstautor veröffentlichte Daniel Dold zwei Beiträge auf der AISTATS (International Conference on Artificial Intelligence and Statistics, 2024 und 2025) sowie einen Beitrag auf der NeurIPS 2026 (Conference on Neural Information Processing Systems). Die NeurIPS ist eine der weltweit renommiertesten Konferenzen für Künstliche Intelligenz und belegt im Google-Scholar-Ranking dieser Kategorie Platz 1. Hinzu kommen weitere Veröffentlichungen als Co-Autor, unter anderem auf der AISTATS 2026 und der UAI (Conference on Uncertainty in Artificial Intelligence). „Erstautorschaften auf diesem Niveau sind für eine Hochschule für angewandte Wissenschaften außergewöhnlich. Daniel Dold hat gezeigt, dass an der HTWG Forschung auf internationalem Spitzenniveau möglich ist“, so sein Betreuer Prof. Dr. Oliver Dürr.

Wir gratulieren Daniel Dold zu seiner erfolgreichen Promotion!