Vant pris for beste forskningsartikkel i 2024

– En slik anerkjennelse er veldig gøy og et tydelig tegn på at arbeidet vi gjør har høy kvalitet, sier en svært fornøyd Kristoffer Wickstrøm.

Han er førsteamanuensis i UiTs maskinlæringsgruppe og SFI Visual Intelligence. I 2022 publiserte han en forskningsartikkel innen kunstig intelligens (KI) i tidsskriftet Pattern Recognition Letters.

På bare to år er den blitt sitert over hundre ganger av forskere fra hele verden. Det har tjent han en prestisjetung pris for beste forskningsartikkel i dette tidsskriftet for 2024.

Pattern Recognition Letters er et anerkjent tidsskrift innen KI og bildeanalyse, og kjent for å utgi forskning av høy kvalitet.

– At artikkelen vår er en del av dette gode selskapet er kjempeflott, spesielt når det er så stor konkurranse fra mange andre sterke bidrag, sier Wickstrøm.

Gjør "trening" av KI lettere

Dataene KI trenes på har ofte «merkelapper» som beskriver innholdet i dataene. Forskningen han vant pris for handlet om å lære KI å analysere såkalte "tidsrekker" uten slike merkelapper.

En tidsrekke er en type data som beskriver hvordan noe utvikler seg over tid. Hvor mange skritt du går hver dag, hvor mange ganger hjertet slår i minuttet, eller hvor lenge du sover hver natt, er eksempler på slike data.

Disse dataene inneholder mye nyttig informasjon. Analyser av antall hjerteslag i minuttet kan for eksempel avdekke tegn på hjertesykdommer.

Men – det fins mange forskjellige typer tidsrekker. Disse variasjonene gjør det utfordrende å lage KI-systemer som fungerer like godt på ulike tidsrekker.

– Det betyr at man må skreddersy algoritmer til en bestemt type tidsrekke. Det gjør utvikling av nye KI-løsninger vanskelig og tidkrevende, forklarer Wickstrøm.

I artikkelen utviklet han en programvare som fungerer godt, uavhengig av hvilken tidsrekke den skal analysere.

– Vi undersøkte denne teknologien på over 100 forskjellige tidsrekker, med svært gode resultater. Metoden vår kan derfor forbedre analyser av slike data betraktelig, sier Wickstrøm.

Forskerne gjennomførte også et spisset eksperiment på tidsrekkedata innen helse, for eksempel av hjerterytme og blodverdier hos pasienter. Funnene viser at programvaren kan gjøre slike analyser atskillelig enklere.

– Eksperimentet viste at metoden kan redusere mengden data som trengs for å lære KI å analysere helsedata, for eksempel pasientens hjerterytme, sier Wickstrøm.

Referanse:

Kristoffer Wickstrøm, Michael Kampffmeyer, Karl Øyvind Mikalsen, Robert Jenssen: Mixing up contrastive learning: Self-supervised representation learning for time series. Pattern Recognition Letters, Volum 155, 2022.

Kortnytt fra Institutt for fysikk og teknologi, Fakultet for naturvitenskap og teknologi

Bjørklund, Petter petter.bjorklund@uit.no Kommunikasjonsrådgiver / Maskinlæring