Statistisk utvinning av bioinformatikdata
Gruppen utvecklar maskininlärningsmetoder för kunskapsutvinning, informationsvisualisering och statistisk modellering. Med maskininlärning avses här flexibla modeller som man kan använda inom olika tillämpningar.
Modellerna utvecklas inom ramen för bioinformatik- och informationssökningsprojekt, där vi samarbetar med projektgrupper inom tillämpningsområdena. Tillämpningarna fungerar som testunderlag för de nya metoderna, och metoderna å sin sida löser problem inom tillämpningsområdena.
För tillfället ligger tyngdpunkten för forskningen på diskriminativ generativ modellering, fusion av datakällor genom att modellera beroenden mellan dem, övervakad oövervakad inlärning, samt modeller som definierar och separerar ”relevanta” signaler i datasamlingar.
Forskningsgruppen fungerar delvis vid institutionen för datavetenskap och delvis vid laboratoriet för informationsteknik vid Tekniska högskolan.
Kontaktperson: professor Samuel Kaski
Webbsida: http://www.cis.hut.fi/projects/mi/
Publikationer
Nikkilä, J. & Honkela, A. & Kaski, S.: Exploring the independence of gene regulatory modules In Juho Rousu, Samuel Kaski, and Esko Ukkonen, editors, Proceedings of PMSB 2006, Probabilistic Modeling and Machine Learning in Structural and Systems Biology, pp. 131-136, 2006.
Klami, A. & Kaski, S.: Generative models that discover dependencies between data sets. In Proceedings of IEEE Workshop on Machine Learning for Signal Processing (MLSP'06), pages 123-128. IEEE 2006.
Oja, M. & Peltonen, J. & Kaski, S.: Estimation of human endogenous retrovirus activities from expressed sequence databases. In Juho Rousu, Samuel Kaski, and Esko Ukkonen, editors, Proceedings of PMSB 2006, Probabilistic Modeling and Machine Learning in Structural and Systems Biology, pages 50-54, 2006.
Venna, J. & Kaski. S.: Local multidimensional scaling. Neural Networks, 19, pp 889--899, 2006.
Venna, J. & Kaski, S.: Visualizing Gene Interaction Graphs with Local Multidimensional Scaling. In Proceedings of 14th European Symposium on Artificial Neural Networks (ESANN'06), pp. 557-562, 2006.