In het tijdperk van groeiende datastromen, met name de stortvloed aan hoogdimensionale data zoals afbeeldingen en sensorinformatie, is de noodzaak om betekenisvolle inzichten en patronen te extraheren van het allergrootste belang. Dit onderzoek probeert deze uitdaging aan te pakken. Met behulp van hypercomplexe algebra-gebaseerde methoden en technieken voor het representatieleren, richt deze studie zich op het destilleren van kritische informatie uit enorme en ingewikkelde datasets. Analoog aan het identificeren van sleutelelementen in een complexe puzzel, heeft het onderzoek tot doel de meest relevante componenten binnen data bloot te leggen, of het nu gaat om essentiële kenmerken in afbeeldingen of significante signalen in teledetectie. Verder gaat het onderzoek in op het belang van interpreteerbaarheid. Het probeert de kloof te overbruggen tussen ingewikkelde modellen voor machinaal leren en menselijk begrip. Door ervoor te zorgen dat deze modellen een transparant besluitvormingsproces hebben, worden hun uitkomsten verklaarbaar en betrouwbaar. Dit werk heeft verschillende toepassingen, variërend van het verbeteren van medische beeldvorming tot het analyseren van satellietgegevens.