Stillingsbeskrivelse

Jeg er direktør for Visual Intelligence. Dette er et Senter for Forskningsdrevet Innovasjon (SFI) finansiert av Norges forskningsråd og et konsortium av private og offentlige partnere. Vi er i den internasjonale frontlinjen innen forskning på dyp læring for kompleks bildeanalyse. 

Jeg er også meddirektør for Integreat. Dette er et Senter for Fremragende Forskning (SFF) finansiert av Norges forskningsråd og universitetspartnerne, Universitetet i Oslo og UiT Norges arktiske universitet. Vi er i den internasjonale frontlinjen innen kunnskapsbasert maskinlæring.

Min hovedstilling er som Professor i Forskningsgruppa for maskinlæring ved UiT.

Jeg er også ansatt som Adjunct Professor ved: Pioneer Centre for AI, University of Copenhagen & Norwegian Computing Center.

Jeg ønsker å bidra til vår felles framtid gjennom forskning

Min motivasjon er å bidra med den grunnleggende forskningen som er nødvendig for å fremme kunstig intelligens ved å utnytte kontekst for bedre forståelse av verden, og å utvikle AI sett i konteksten av samfunn, vitenskap og for å hjelpe til med å løse viktige samfunnsutfordringer på en menneskesentrert måte, noe som fører til nye innovasjoner. Jeg har omfattende samarbeid med industri og offentlige aktører. Min metodologiske forskning har fokusert på emner som nevrale nettverk, informasjonsteoretisk læring, "kjernemetoder", ikke-styrt læring, selv-læring og forklarbar AI (XAI). Min forskning publiseres jevnlig innen de mest prestisjefylte konferanser og journaler innen feltet (ICLR, ICML, NeurIPS, etc). Jeg har vært heldig å jobbe med mange dyktige kolleger, og sammen har vår forskning blitt anerkjent i feltet:   

Priser for forskning (og undervisning)

• Beste artikkel, Pattern Recognition Letters (2024)
• Beste artikkel, Colour and Visual Computing Symposium (2022)
• Beste artikkel Int’l Medical Informatics Association (2018)
• Undervisningsprisen, Fakultet for naturvitenskap og teknologi, UiT (2018)
• Beste studentartikkel, Scandinavian Conference on Image Analysis (veileder) (2017)
• Vinner av IEEE GRS Society Letters Prize Paper Award (2013)
• Framhevet artikkel, IEEE Transactions on Pattern Analysis and Machine Intelligence (2010)
• Pris for Yngre Forsker Universitetet i Tromsø (deles ut annethvert år) (2007)
• Vinner av ICASSP Outstanding Student Paper Award (2005)
• Beste artikkel, Pattern Recognition Journal, Honourable Mention (2003)

Siste nytt

• Editor for Special Issue on Information Theoretic Methods for the Generalization, Robustness, and Interpretability of Machine Learning. IEEE TNNLS 2025. https://doi.org/10.1109/TNNLS.2025.3525991
• Vitenskapelig rådgivningsstyre for Max Planck Institute for Intelligent Systems (startet 2025).

Utvalgte artikler (Engelsk):

REPEAT: Improving Uncertainty Estimation in Representation Learning Explainability. AAAI 2025. https://arxiv.org/abs/2412.08513

Finding NEM-U: Explaining unsupervised representation learning through neural network generated explanation masks. ICML 2024. https://proceedings.mlr.press/v235/moller24a.html

MAP IT to visualize representations. ICLR 2024. https://openreview.net/pdf?id=OKf6JtXtoy

Cauchy-Schwarz divergence information bottleneck for regression. ICLR, 2024. https://openreview.net/pdf?id=7wY67ZDQTE

ADNet++: A few-shot learning framework for multi-class medical image volume segmentation with uncertainty-guided feature refinement. Medical Image Analysis, 2023. https://doi.org/10.1016/j.media.2023.102870

Hubs and Hyperspheres: Reducing Hubness and Improving Transductive Few-Shot Learning With Hyperspherical Embeddings. CVPR, 2023. https://openaccess.thecvf.com/content/CVPR2023/html/Trosten_Hubs_and_Hyperspheres_Reducing_Hubness_and_Improving_Transductive_Few-Shot_Learning_CVPR_2023_paper.html

On the Effects of Self-Supervision and Contrastive Alignment in Deep Multi-View Clustering. CVPR, 2023. https://openaccess.thecvf.com/content/CVPR2023/html/Trosten_On_the_Effects_of_Self-Supervision_and_Contrastive_Alignment_in_Deep_CVPR_2023_paper.html

RELAX: Representation Learning Explainability. International Journal of Computer Vision, 2023. https://doi.org/10.1007/s11263-023-01773-2

ProtoVAE: A Trustworthy Self-Explainable Prototypical Variational Model. NeurIPS, 2022. https://openreview.net/forum?id=L8pZq2eRWvX

Principle of Relevant Information for Graph Sparsification. UAI, 2022. https://proceedings.mlr.press/v180/yu22c.html

Anomaly Detection-inspired Few-shot Medical Image Segmentation through Self-supervision with Supervoxels. Medical Image Analysis, 2022. https://doi.org/10.1016/j.media.2022.102385

Clinically Relevant Features for Predicting the Severity of Surgical Site Infections. IEEE Journal of Biomedical and Health Informatics, 2021. https://doi.org/10.1109/JBHI.2021.3121038

Measuring Dependence with Matrix-based Entropy Functional. AAAI, 2021. https://doi.org/10.1609/aaai.v35i12.17288

Reconsidering Representation Alignment for Multi-view Clustering. CVPR, 2021. https://openaccess.thecvf.com/content/CVPR2021/papers/Trosten_Reconsidering_Representation_Alignment_for_Multi-View_Clustering_CVPR_2021_paper.pdf

Joint Optimization of an Autoencoder for Clustering and Embedding. Machine Learning, 2021. https://doi.org/10.1007/s10994-021-06015-5

Uncertainty-aware Deep Ensembles for Reliable and Explainable Predictions of Clinical Time Series. IEEE Journal of Biomedical and Health Informatics, 2020. https://doi.org/10.1109/JBHI.2020.3042637

SEN: A Novel Feature Normalization Dissimilarity Measure for Prototypical Few-Shot Learning Networks. ECCV, 2020. https://link.springer.com/chapter/10.1007/978-3-030-58592-1_8

Google Scholar Profile