dasRES (FFG COMET, 2015-2018)

Strategische Forschung zu industriellen Datenanalysesystemen

Ziele / Forschungsthemen

Ziel dieses strategischen Projekts ist es, grundlegende methodische Bausteine für eine robuste, effiziente, umfassende und interpretierbare Modellierung und Analyse von Daten bereitzustellen. Insbesondere forschen wir an folgenden Themen:

  • Kausale Inferenzmethoden ohne Zeitinformation,
  • Lernen von multi-task features durch tiefe neuronale Netzwerke,
  • Probabilistische Logiken für Wissensrepräsentation und Reasoning Methoden, die einen inkrementellen industriellen Wissensextraktionsprozess unterstützen,
  • Berechnungsmodelle für die Modellierung von Unsicherheit und
  • Entwicklung von industriell einsetzbaren maschinellen Lernmethoden, die eine echtzeitnahe Analyse für industriell relevante Anwendungen ermöglichen.

Wissenschaftliche Kooperationen

  • JKU-FLLL (Johannes Kepler Universität Linz / Abteilung Wissensbasierte Mathematische Systeme): PhD zum Thema Transfer Learning
  • JKU-FAW (Johannes Kepler Universität Linz / Institut für anwendungsorientierte Wissensverarbeitung): PhD zum Thema automatisiertes Datenqualitätsmanagement
  • Alfréd Rényi Institut (Ungarn): PhD zum Thema semantisches Matching und Reasoning Strategien (mit Anwendungen im HR-Sektor)
  • KTH Schweden (School of Information and Communication Technology): Masterarbeiten zu den Themen Data Provenance und Traceability
  • JKU-FAW (Johannes Kepler Universität Linz / Institut für anwendungsorientierte Wissensverarbeitung): Masterarbeit zum Thema Datenqualitätsbewertung für NoSQL Datenbanken

Ausgewählte Publikationen

  • Robust estimation of correlations as basis for causal discovery [TGG15]
  • Multi-domain transfer component analysis for domain generalization [GBS+15GBS+17]
  • Transfer learning for process analytical chemistry [LMN+15MNP+15aMNP+15bMN17]
  • A novel method for domain-invariant representation learning [ZLS+17]
  • A novel approach for system identification for MPC taking into account modelling uncertainty by adaptively choosing the identification horizon [Sob17]
  • Efficient and robust median-of-means algorithms for location and regression as the basis for fast learning in big data environments [KT17]
  • Methods for online transfer learning [GCN16]
  • Combining relational and NoSQL database systems for processing sensor data [SLF15]
  • Stochastic stability analysis of perturbed learning automata [Cha17]
  • Automated data quality monitoring as the basis for meaningful knowledge representation [EW17a, EW17b]
  • A method to reason about fault detection to generate interpretable alarm lists [KT17]
  • Automated knowledge base management: a survey [Mar15]
  • A novel approach for fuzzy aggregation of semantic similarity measures [Mar16a]
  • A smart approach for matching, learning and querying information [MPS16]

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMDW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.