Tilastollista bioinformatiikkatiedon louhintaa
Ryhmä kehittää koneoppimismenetelmiä tiedon louhintaan, informaation visualisointiin ja tilastolliseen mallitukseen. Koneoppimisella tarkoitetaan tässä joustavia malleja, joita voidaan käyttää useissa sovelluksissa.
Menetelmiä kehitetään bioinformatiikan ja tiedonhaun projekteissa, joissa ryhmä tekee yhteistyötä sovellusalan tutkimusryhmien kanssa. Sovellukset toimivat uusien menetelmien testitapauksina, ja menetelmät puolestaan ratkovat sovellusalan ongelmia.
Ryhmän tutkimuksen tämänhetkisiä painopisteitä ovat diskriminatiivinen generatiivinen mallitus, tiedonlähteiden yhdistäminen mallittamalla niiden riippuvuuksia, ohjattu ohjaamaton oppiminen, ja mallit jotka määrittelevät ja erottavat "relevantteja" signaaleja aineistoista.
Tutkimusryhmä toimii osittain Helsingin yliopiston tietojenkäsittelytieteen laitoksella ja osittain Teknillisessä korkeakoulun informaatiotekniikan laboratoriossa.
Yhteyshenkilö: professori Samuel Kaski
Kotisivu: http://www.cis.hut.fi/projects/mi/
Julkaisuja
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.