Onderzoeksprojecten (4500 - 5000 van 8189)

• Afdeling ESAT - STADIUS
Onderzoekers:
• Yves Moreau
• Lieven Thorrez
• Griet Laenen
Networked Multimedia Services.
Vrije Universiteit Brussel
Abstract: Televerkoop, telewerken en edutainment worden geïntroduceerd in de telecom netwerken. Maar wat niet wordt onderzocht is de impact
die deze zaken zullen hebben op de architectuur van deze netwerken.
Het doel va dit onderzoeksproject is om een inzicht te bieden in de noden van de gerbuiker en een coherente kijk op de technologische vereisten.
Organisaties:
• Informatica en Toegepaste Informatica
Onderzoekers:
• LUC STEELS
Neurale algoritmes en architecturen voor het oplossen van niet-lineaire inverse problemen.
Vrije Universiteit Brussel
Abstract: Inverse randwaarden-problemen spelen een centrale rol in vele domeinen van wetenschap en techniek. Hierbij wordt getracht een
onbekend fysisch model te reconstrueren aan de hand van een beperkt aantal randobservaties. Als voorbeeld van een moeilijk, niet-lineair en
slecht gesteld invers probleem, bestuderen we in dit project een aantal beeldvormende techniek, waarbij getracht wordt materiaalkarakteristieken in
een transversale sectie van een volumegeleider te reconstrueren vanuit metingen van een perifeer meetprofiel, geïnduceerd door externe
stimulatiepatronen. De specifieke moeilijkheid, inherent aan deze toepassingen, wordt in belangrijke mate bepaald door de niet-lineaire en slecht
geconditioneerde relatie tussen de interne velddistributies en de geobserveerde randwaarden. Tot op heden zijn neurale algoritmes slechts met
beperkt succes toegepast bij het oplossen van niet-lineaire inverse problemen. We suggereren dat het causale karakter van deze algoritmes
daarvan in belangrijke mate de oorzaak is. Daarom zullen we in dit project een nieuwe visie op neurale algoritmes en architecturen voor het
oplossen van niet-lineaire inverse problemen ontwikkelen, waarbij we ons baseren op traditionele concepten uit de numerieke analyse en lineaire
algebra. Dit zal resulteren in de definitie van een zeer efficiënt architectuurmodel, waarbij parallellisme op een intrinsieke wijze geïntegreerd wordt
in de algoritmische afleiding.
Organisaties:
• Elektronica en Informatica
Onderzoekers:
• JAN CORNELIS
Neural Networks for Relational Data (Neurale netwerken voor relationele gegevens)
K.U.Leuven
Abstract: Het onderwerp van deze dissertatie situeert zich in het onderzoeksveld machine learning. Dit onderzoeksdomein spitst zich toe op de
ontwikkeling van algoritmes die in staat zijn te leren op basis van empirische gegevens, bestaande uit invoerpatronen met daaraan gekoppelde
doelvariabelen. In de context van deze dissertatie wordt er voornamelijk gekeken naar het leren van voorspellende modellen op basis van
relationele gegevens. Dit zijn gegevens waarbij elk invoerpatroon bestaat uit meerdere tupels met mogelijk bepaalde verbanden tussen de tupels,
dit in tegenstelling tot propositionele gegevens waarbij elk invoerpatroon bestaat uit een enkel tupel. Leermethodes voor relationele gegevens
zullen steeds rekening moeten houden met de eigenschappen van het invoerpatroon als geheel. Datkunnen zowel structurele eigenschappen zijn,
gebaseerd op substructurenvan het invoerpatroon, als geaggregeerde eigenschappen, dat zijn eigenschappen die informatie uit een aantal tupels
van het invoerpatroon
Organisaties:
• Afdeling Informatica
Onderzoekers:
• Hendrik Blockeel
• Werner Uwents