DFF bevillinger sikrer bredde og diversitet i dansk forskning

”Vi er meget glade for at kunne være med til at udmønte DFFs digitale satsning og vil anbefale, at man tænker i lignende satsninger fremadrettet. Og jeg er specielt glad for den diversitet og bredde, der er i projekterne på DTU Compute. Det understøtter DTU Compute’s strategiske fokus på synergien mellem matematik, data science og computer science og samspillet med de mennesker, som den digitale teknologi er til for,” udtaler institutdirektør for DTU Compute, professor Per B. Brockhoff, om de bevilgede forskningsprojekter til DTU Compute.

De 6 bevilgede projekter inden for Digitale teknologier

DFF-Forskningsprojekt 1/ tematisk forskning
 

Adaptive Compressed Computation

Modtager
Lektor Inge Li Gørtz

Bevilget beløb
2.875.994 kr.

Om projektet
Vi lever i en verden, hvor større og større datamængder bliver opsamlet, genereret og gemt. Formålet er, at man kan udføre beregninger på data, lave forudsigelser, opdage systemer, opnå forståelse. Anvendelserne er mange: fra lægevidenskabelige, hvor man håber at kunne forstå de genetiske komponenter i sygdomme, til samfundsmæssige, kommercielle og naturvidenskabelige. Store datamængder er ikke det samme som store informationsmængder. Tvært imod; tag for eksempel to menneskelige genomer -- i gennemsnit vil de have 99.9% af deres data tilfælles. Det giver os håb, for vi ved at repetitiv data kan gemmes effektivt på lidt plads, ergo kan vi gemme de store datamængder der kommer fra gensekvensering. Men det giver os også en udfordring, for de eksisterende metoder for at gemme repetitiv data på lidt plads giver kun mulighed for at foretage få og begrænsede beregninger på data. I dette projekt går vi udfordringen i møde og laver effektive algoritmer der fungerer på komprimeret højrepetitiv data.

Bias and fairness in medicine

Modtager
Professor Aasa Feragen-Hauberg

Bevilget beløb
2.699.194 kr.

Om projektet
Hvordan kan samfundet have tillid til medicinske beslutninger taget af en kunstig intelligens? En kunstig intelligens er en prediktiv algoritme, der er oplært til at reproducere de beslutninger, der forekommer i de data, den er trænet på. En naturlig konsekvens er, at hvis data er partiske - hvis for eksempel mænd bliver underdiagnosticeret med depression mens kvinder ikke bliver det - så vil den kunstige intelligens udøve samme partiskhed, når den diagnostiserer depression. Indenfor anvendelser hvor diskriminering af givne grupper er ulovlig, såsom kreditvurderinger eller ansættelser, er der derfor blevet udviklet retfærdige algoritmer, der er matematisk ude af stand til at diskriminere baseret på bestemte sensitive egenskaber såsom køn, alder eller etnicitet. Kunstig intelligens i sundhedsvæsenet er ikke på samme måde pålagt at undgå partiskhed - det ville være et stort problem hvis man for eksempel ikke måtte give mænd den bedste mulige behandling for hjertesygdomme fordi vi ikke endnu er i stand til at give kvinder en lige så god behandling. For at bevare samfundets opbakning og tillid er sundhedsvæsenet afhængig af, at beslutninger opfattes som retfærdige og sker på et pålideligt grundlag. Det kræver nytænking af, hvad vi skal forstå ved en retfærdig algoritme i sundhedsvæsenet. I dette projekt vil vi derfor kombinere etisk analyse af definitioner af retfærdig kunstig intelligens med udvikling af algoritmer for retfærdig kunstig intelligens i sundhedsvæsnet.

Dynamic Network Analysis

Modtager
Adjunkt Eva Rotenberg

Bevilget beløb
2.770.430 kr.

Om projektet
Analyse af store foranderlige netværk. Hvorvidt man kan komme fra A til B er et fundamentalt spørgsmål. Både når vi vil rejse med bil eller tog, såvel som når vi sender post eller foretager en telefonopringning, ønsker vi at A og B er forbundne. Men i store netværk såsom telefonnettet kan der ske fejl og forbindelser kan blive brudt. Veje kan blive ufarbare og ledninger kan fejle. Det motiverer spørgsmålet: Hvor skrøbelig er sammenhængen mellem A og B? Vi siger at A og B er k-sammenhængende, hvis der findes k ikke-krydsende veje mellem A og B. Jo højere k er, jo mere robust sammenhængende er punkterne A og B. Men selv om robusthed især er vigtigt når netværket er ustabilt og forandrer sig, er spørgsmålet om, hvordan man bedst udregner robustheden for et foranderligt netværk endnu ikke besvaret. I dette projekt vil vi lave effektive algoritmer til at detektere, hvornår sammenhægen mellem punkter bliver skrøbelig. Metoden er, at lave en matematisk repræsentation af netværket, som vi hurtigt kan opdatere, når netværket forandrer sig. Den matematiske repræsentation indeholder da nok information til, at når man siden kommer med punkterne A og B, da kan man hurtigt slå op, om disse kun er skrøbeligt forbundne. Repræsentationen vil også indeholde information om vigtige punkter i netværket, hvis fjernelse ville gøre sammenhængen endnu skrøbeligere.

Few-shot generative models

Modtager
Professor Ole Winther

Bevilget beløb
2.616.792 kr.

Om projektet
Et menneske er virkelige god til at genkende og forstå funktionen af ting hun ikke har set før. Denne evne til at ramme plet første gang har mennesker fordi vi allerede har en generel forståelse af objekter og sammenhængen mellem hvordan de ser ud og deres funktion. Statistiske algoritmer der lærer udfra træningseksempler starter forfra hver gang de skal løse et nyt problem. De har derfor brug for meget mere data til at klare den samme opgave. Løsningen til dette problem er at give modellen - her et dybt neural netværk - baggrundsviden om problemet. I dette forskningsprojekt bruger vi to metoder til at give baggrundsviden. Den første er at lære en såkaldt generativ ikke-overvåget model. Når modellen er trænet vil den kunne simulere (generere) nyt data som minder om det data den har lært fra. Det nye i vores tilgang er at vi indbygger struktur i den generative model så forskellige variable i den vil lære bestemte egenskaber ved data. Hvis det er et billede kan der for eksempel være variable der udtrækker positioner af objekter. Den anden metode til at meta-læring hvilket betyder at vi uddrager viden på tværs af forskellige datasæt. Med en generativ model for lignende data behøver man kun lidt data til at lære nyt. Det er relevant for eksempel for diagnostik udfra genomisk data hvor man har brug for baggrundsviden til at kunne skelne naturlig variation fra de genetiske varianter der medfører sygdomme.

Missing data imputation using deep generative models

Modtager
Lektor Jes Frellsen

Bevilget beløb
2.876.001 kr.

Om projektet
Ufuldstændige data findes i alle grene af videnskab og teknologi. Velkendte eksempler er respondenter, der ikke svar på dele af et spørgeskema, og værdier, der falder uden for måleinstrumenters skala. Ofte ønsker vi at udfylde de manglende værdier, da de enten er af interesse i sig selv eller de er påkrævet i en videre dataanalyse. Den mest komplekse type af ufuldstændigt data er data, hvor mønsteret i hvilke værdier, der mangler, afhænger af de mangle værdier. I sådanne tilfælde kræver det, at man i modelleringsprocessen laver meget eksplicitte antagelser om den mekanisme, der giver ophav til den manglende data. Formålet med dette projekt er at udvikle en model, der på en gang kan lære både den datagenererende proces og mekanismen, der giver ophav til den manglende data, hvor vi vil gøre meget få antagelse om denne mekanisme. Vore hypotese er, at dette kan gøres ved hjælp af dybe generative modeller. Den udviklede model, vil blive anvendt på en bred vifte af problemer, herunder forudsigelse brugers filmpræferencer (Netflix-problemet) og forudsigelse af cellers følsomhed overfor anti-cancer-medicin.

Towards real time Raman molecular imaging of living organisms

Modtager
Lektor Mikkel Nørgaard Schmidt

Bevilget beløb
2.771.058 kr.

Om projektet
Når man belyser en prøve af et stof med fx. en grøn laser, vil en smule af det lys der reflekteres fra prøven have andre farver end grøn, fordi lyset påvirkes af atomare vibrationer i prøven. Det reflekterede spektrum af farver kaldes et Raman spektrum, og udgør et molekylært "fingeraftryk", som kan bruges til at identificere hvilke kemiske stoffer der er til stede i prøven. Idet Raman spektret er et meget svagt signal, er der behov for meget præcise instrumenter, for at kunne måle det nøjagtigt. Med de seneste års nye fremskridt inden for instrumentering, er det blevet muligt at måle mange Raman spektre samtidig og hurtigt efter hinanden. Med de rette statistiske metoder, vil det være muligt at opnå mere præcise estimater af Raman signalet ud fra en stor mængde upræcise målinger. I dette forskningsprojekt vil vi udvikle sådanne nye statistiske metoder: Ud fra måledata, vil vi optimere metoderne til slutformålet, som kan være at detektere om et kemisk stof er til stede, eller at estimere koncentrationen af de forskellige stoffer der er i prøven. Det er håbet, at resultaterne af projektet vil være med til at gøre Raman spektroskopi mere praktisk brugbart i industrielle anvendelser såsom analyse af fødevarer og medicin mv.