Algoritmer
Trust for All (Trust4All)
Tidsperiod: 1/2005-12/2006
Forskare: Patrik Floréen, Michael Przybilski, Topi Musto
Finansiering: Nokia forskningscentral, underleverans
I EUREKA/ITEA-projektet Trust4All studeras konceptet förtroende i programvaruarkitekturer. Forskningen koncentrerar sig på kontextmedveten adaptering av pålitliga system, särskilt vad gäller förtroende- och säkerhetsegenskaper. Arbetet grundar sig på en medelvara för inneslutna system, som har utvecklats inom Robocop-projektet och vidare utvidgats inom Space4U-projektet.
Under år 2006 utvecklades en modell som beskriver kraven för mjukvarukomponenters åtkomstövervakning. En åtkomstövervakningsmekanism enligt modellen har förverkligats och testats, och denna nya metod kommer att integreras med Trust4All-medelvaran under år 2007. För att påvisa att metoden fungerar har en prototyp utvecklats. Den kommer att utnyttja medelvaran som kommer att utarbetas. Trust4All är ett EUREKA/ITEA-samarbetsprojekt med partners från flera europeiska universitet och företag. Arbetet vid HIIT/BRU utförs som underleverans för Nokias forskningscentral.
Mobile Life (MobiLife)
Tidsperiod: 9/2004-12/2006
Forskare: Patrik Floréen, Petteri Nurmi, Jukka Suomela, Fredrik Boström, Marja Hassinen, Joonas Kukkonen, Eemil Lagerspetz, Mika Karlstedt
Finansiering: EU IST
Syftet med MobiLife-projektet var att utveckla nya användarcentrerade mobila tillämpningar och tjänster för det dagliga livet, och att ta dem i bruk. Nokia koordinerade MobiLife-projektet, och där ingick 22 samarbetsparter från nio länder. Det hörde till en större grupp EU-projekt som går under namnet Wireless World Initiative (WWI). Gruppen vid HIIT/BRU koncentrerade sig på kontextmedvetenhet. Projektet studerade metoder för kontextmedveten slutledning samt deltog i utvecklingen av en kontextmedveten tillämpningsplattform. HIIT/BRU ledde den del av projektet som fokuserade på kontexthantering. MobiLife avslutades i slutet av 2006.
Under år 2006 utvecklade man BeTelGeuse (se http://www.cs.helsinki.fi/group/acs/betelgeuse/ ), en mjukvara med öppen programkod för insamling av data, samt fortsatte arbetet med en allmän härledningskomponent som producerar rekommendationer [1] Man fortsatte även delta i utvecklingsarbetet av tillämpningen ContextWatcher (se http://portals.telin.nl/contextwatcher/ ). Därtill utvecklades klustreringsalgoritmer för positionsdata och en simulator för presentation av kontextdata
[1] Petteri Nurmi, Alfons Salden, Sian Lun Lau, Jukka Suomela, Michael Sutterer, Jean Millerat, Miquel Martin, Eemil Lagerspetz, and Remco Poortinga. A system for context-dependent user modeling. Proc. OTM Federated Workshops (Montpellier, France, October-November 2006), Lecture Notes in Computer Science 4278. Springer-Verlag, Berlin, Germany, 2006, 1894-1903.
Semantic Interpreter Widened Experience (Stepwise)
Tidsperiod: 9/2006-8/2007
Forskare: Patrik Floréen, Petteri Nurmi
Finansiering: Nokia forskningscentral, underleverans
Stepwise- projektet utförs som underleverans till Nokias forskningscentral med avsikten att förbättra användarerfarenheterna för kontextmedvetna tjänster med hjälp av statistisk härledning och simulering. Projektet startade i september 2006.
Innehållsbaserad sökning och analys av musikdata - Content-Based Retrieval and Analysis of Harmony and other Music Structures (C-BRAHMS)
Tidsperiod: 8/2005-7/2010
Forskare: Kjell Lemström, Väinö Ala-Härkönen, Johan Brunberg, Niko Mikkilä, Veli Mäkinen, Anna Pienimäki, Esko Ukkonen
Finansiering: Finlands Akademi
Projektet har som uppgift att planera också realisera algoritmer och datastrukturer för analys och sökning av symboliskt kodad musik på basen av dess innehåll. Det är meningen att resultaten från C-BRAHMS skall komma alla till godo genom att man inför dem i ett prototypsystem som distribueras enligt villkoren i GPL-licensen i GNU. Under 2006 konstruerade projektet en ny prototyp med kund-serverstruktur som man kommer att få tillgång till från projektets webbsida ( http://www.cs.helsinki.fi/group/cbrahms/ ).
Approximerings- och inlärningsalgoritmer - Approximation and learning algorithms (ALEA)
Tidsperiod: 1/2005-12/2008
Forskare: Krishnan Narayanan, Matti Kääriäinen, Jyrki Kivinen
Finansiering: Finlands Akademi
Approximeringsalgoritmer är metoder som söker efter lösningar till beräkningsproblem vilka inte är de bästa möjliga. Tanken är att spara på beräkningsresurser i fråga om problem som är svåra att lösa exakt, beräkningsmässigt sett. Grundmetoden för maskininlärning är att, på basen av forskningsdata, skapa den enklaste möjliga hypotesen för att förklara forskningsexemplen. Här är det ofta självklart att använda approximeringsalgoritmer, för det kan vara beräkningsmässigt svårt att hitta den enklaste hypotesen, och man vill sällan förklara alla exempel så exakt. Exemplen kan innehålla fel som det inte är meningen att inlärningsalgoritmen skall kopiera. Projektet studerar approximeringsalgoritmer med särskild fokus på behoven inom maskininlärning. En etapp är att modifiera konventionella approximeringsalgoritmer som baseras på analys av värsta fallet, så att de bättre kan utnyttja enkla fall som ofta förekommer i praktiken. En annan inriktning är utvecklingen av sådana modeller och metoder för maskininlärning som undviker det besvärliga approximeringsproblemet, antingen genom att representera hypoteser på ett annat sätt eller genom att formalisera om hela inlärningsproblemet.