Få utskriftsvennlig versjon ved å trykke på denne

Forskning innen maskinlæring styrkes

Forskningsrådet innvilger støtte til utvikling av neste generasjon maskinlæringsalgoritmer ved Institutt for fysikk og teknologi. Algoritmene skal håndtere manglende data i store datasett (”big data”).


Geir Antonsen 22.12.2014 12:02

Prosjektet "Next Generation Kernel-Based Machine Learning for Big Missing Data Applied to Earth Observation (KERNEO)", ledet av førsteamanuensis Robert Jenssen ved Institutt for fysikk og teknologi, har fått støtte fra Norges forskningsråd gjennom en egen satsning på grunnleggende IKT-forskning.

Totalt fikk 15 prosjekter innvilget støtte av over 80 søknader gjennom denne utlysningen. Forskningsrådet kan maksimalt tildele 9 MNOK til prosjektene. KERNEO har en total kostnadsramme på opptil 11 MNOK.

Maskinlæring er en viktig komponent i moderne teknologi og et ”hot topic” i forskning og utvikling som involverer analyse av datasett. Et stort problem oppstår hvis deler av datasettet mangler, noe som er et hyppig økende problem innen ”big data”, da dette svekker algoritmenes læringsevne for å finne viktige mønstre i data.

Prosjektet vil utvikle nye maskinlæringsmetoder for å adressere problemet manglende data skaper i store datasett. Kjernen i dette arbeidet vil være såkalt informasjonsteoretisk maskinlæring, utviklet i stor grad ved UiT, og som har mottatt internasjonal anerkjennelse.

Metodene vil testes gjennom anvendelse på jordobservasjonsdata. I tillegg vil data fra andre fagfelt bli analysert, for å illustrere det generiske og tverrfaglige potensialet prosjektet har innen IKT.

Tildelingen innebærer tilsetting av en postdoktor og en stipendiat ved instituttet for en periode på tre år, hvor også støtte til utenlandsopphold er inkludert. Samarbeidspartnere i prosjektet er Norsk Regnesentral, Universitetet i Oslo, Universitat de València, Technische Universität Berlin, University of Florida, Danmarks Tekniske Universitet, University College London og Universidad Rey Juan Carlos.

Skip to main content