dasRES

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+15, GBS+17]
• Transfer learning for process analytical chemistry [LMN+15, MNP+15a, MNP+15b, MN17]
• 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.