Datavetenskaplig forskning
Tyngdpunkterna för vår forskning ligger på bioinformatik, dataanalys, data science, diskreta algoritmer och maskininlärningsalgoritmer samt decentraliserade, intelligenta och interaktiva system. Vi fokuserar också på programvaru- och databassystem, big data, artificiell intelligens, datanät och datasäkerhet. Vi bedriver forskningssamarbete både med andra universitet och med företag.
Forskningsteman

Algoritmernas forskningsområde kännetecknas av att man utvecklar nya algoritmiska lösningar på väldefinierade problem, av ett matematiskt exakt synsätt och av att man tillämpar numerisk modellering.

Forskningen riktar in sig på AI-teori och maskininlärningsteori, exakta algoritmer för NP-svåra problem, strängmetoder, koncisa datastrukturer och modellering av biologiska system, såsom evolutionen. En del forskare fokuserar på teoretisk algoritmforskning, andra också på praktisk optimering av algoritmer, och en del på att skräddarsy algoritmer för bioinformatik och life science informatics.

Forskningsgrupper:

Algorithmic bioinformatics har som mål att bygga en grund för tillförlitliga och skalbara metoder för att möjliggöra nya vetenskapliga genombrott. Forskningen bygger på utvecklingen av biologiskt sekvenseringsmaterial och algoritmisk analys- och syntesteknik. Gruppen består av följande fem team:

  • Algorithms for biological sequencing data – främst inriktat på att studera algoritmer som sekvenserar genom. Forskningsledare: akademiforskare Leena Salmela
  • Compressed data structures – främst inriktat på att studera optimering av datastrukturer och effektiva sökalgoritmer. Forskningsledare: biträdande professor Simon Puglisi
  • Genome-scale algorithmics – studerar analys av algoritmer och datastrukturer på genomnivå. Forskningsledare: professor Veli Mäkinen
  • Graph algorithms – teoretisk och tillämpad forskning om grafalgoritmer. Forskningsledare: biträdande professor Alexandru Tomescu
  • Practical Algorithms and data structures on strings – studerar och utvecklar analysalgoritmer för sekvensanalys. Forskningsledare: universitetslektor Juha Kärkkäinen

Algorithmic data science har som mål att utveckla effektiva och lätthanterliga databehandlingssystem och använda dem i nya applikationer. Gruppens forskning omfattar området för data science, från informationshantering och informationsbehandling till modellinferens och tillämpad dataanalys.

Forskningsledare: biträdande professor Michael Mathioudakis

 

Algorithmic learning theory studerar algoritmiska inlärningsmodeller. Tyngdpunkten ligger på inlärning via nätet och på kernelmetoder.  Gruppen ägnar särskild uppmärksamhet åt teoretisk forskning av metoder och deras prestandagränser.

Bioinformatics and evolution arbetar med algoritmer och algortimteori för att ta fram bättre verktyg för att studera och förstå evolutionen.  Forskningen utnyttjar big data och gruppen samarbetar aktivt med såväl kliniker som med experimentella forskare.

Constraint reasoning and optimization fokuserar på utveckling och analys av besluts-, sök- och optimeringsmetoder samt deras tillämpningar inom beräkningsmässigt svåra problemområden. Gruppen arbetar också med optimerad maskininlärning och med argumentationsteoretiska beräkningstillämpningar.

Forskningsledare: biträdande professor Matti Järvisalo

Data analytics and cyber security tar fram nya databehandlingsmodeller och teorier med utgångspunkt i datasäkerhet och datasäkerhetsapplikationer.

Forskningsledare: biträdande professor Nikolaj Tatti

 

Data science and evolution använder sig av datavetenskap för att öka förståelsen av evolutionsprocesser i naturen och samhället och de kausala förhållanden som påverkar dem. För närvarande fokuserar forskningen på metoder som i framtiden kan underlätta tolkningen och modelleringen av fossilmaterial och forntida förhållanden.

Forskningsledare: biträdande professor Indrė Žliobaitė

Exploratory data analysis studerar algoritmiska metoder och sannolikhetsmetoder i samband med artificiell intelligens. Syftet är att hjälpa till att förstå och gestalta stora heterogena informationskällor med hjälp av AI. Gruppen fokuserar främst på användningen av sannolikhetsmetoder och begränsad randomisering.

 

The sums of products har som mål att utveckla algoritmisk och beräkningsstatistisk teori genom att utnyttja icke-standardiserade metoder. Exponentiella algoritmer tillägnas särskild uppmärksamhet.

Forskningsledare: professor Mikko Koivisto

 

Nya metoder för artificiell intelligens, maskininlärning och datautvinning utvecklas inom forskningsområdet för AI.  Målet är att ta fram beräkningsmässigt effektiva, teoretiskt motiverade och tillförlitliga metoder. Utöver den teoretiska forskningen tillämpar våra forskningsgrupper metoderna för olika behov, från beräkningskreativitet till evolutionsmodellering.

Forskningsgrupper:

The cognitive computing studerar AI, kognitionsvetenskap och interaktion mellan människa och dator. Forskningen fokuserar på maskininlärning och på att ta fram modeller som utnyttjar mänskliga kognitiva processer.

Forskningsledare: akademiforskare Tuukka Ruotsalo

Complex systems computation (CoSCo) studerar beräkningsproblem i komplexa system med fokus på prognoser och modellering. Forskningen pågår i gränssnittet mellan datavetenskap, informationsteori och matematisk statistik, och gruppen bedriver både grundforskning och tillämpad forskning som löser problem inom samhällsvetenskaper, ekologi och medicin.

Forskningsledare: professor Petri Myllymäki

Computational creativity and data mining arbetar med AI och data science, och framför allt med beräkningskreativitet och datautvinning. I gruppens vision använder man dataanalys för att göra intelligenta system eller agenter medvetna om sina miljöer och sig själva. Gruppen intresserar sig också för textutvinning och textframställning med hjälp av AI.

Forskningsledare: professor Hannu Toivonen

Exploratory Search and Personalisation studerar förstärkningsinlärning och användarmodellering för att ta fram system som hjälper användare att navigera i stora datamängder. Gruppen studerar personifiering, undersökande sökning, experimentell planering och utvärderingsmetoder.

Forskningsledare: biträdande professor Dorota Glowacka

Machine and Human Intelligence har sin tyngdpunkt på sannolikhetsbaserat lärande av maskiner och människor. Gruppens forskning behandlar hjärnor och datorer som statistiska slutledningsmotorer, vilkas funktion bygger på sannolikhet och begränsade resurser.

Forskningsledare: biträdande professor Luigi Acerbi

Multi-source probabilistic inference studerar statistisk maskininlärning och AI. Gruppen utvecklar nya metoder och algoritmer, med särskilt fokus på sannolikhetsbedömning med hjälp av bayesianska resonemang.

Forskningsledare: biträdande professor Arto Klami

 

Neuroinformatics arbetar med beräkningsneurovetenskap. Gruppen har som mål att ta fram simuleringsmodeller främst för hjärnfunktioner.

Forskningsledare: professor Aapo Hyvärinen

 

Probabilistic Inference, privacy and computational biology utvecklar maskininlärningsmetoder som bygger på bayesianska resonemang och fokuserar på integritetsskyddande maskininlärning och applikationer inom beräkningsbiologi och beräkningsgenomik.

Forskningsledare: biträdande professor Antti Honkela

 

Spatiotemporal data analysis utvecklar algoritmer för utvärdering, maskininlärning, datorseende och signalbehandling. Arbetet syftar till att skapa AI-baserad navigering med tillhörande metoder för framtida ekologiskt hållbara smarta städer.

Forskningsledare: biträdande professor Laura Ruotsalainen

 

Datakommunikationsforskningen för samman avdelningens traditionella forskning om trådlös och mobil databehandling med nya, framväxande forskningsområden. Forskningsgrupperna studerar nätverkssystem och deras förutsättningar i fråga om: samverkan (bl.a. tjänste- och applikationsplattformar, förtroende och säkerhet), rörlighet (teknik- och platsoberoende, trådlös kommunikation), informationsnät, servicenät, kontextmedvetenhet, ubik datateknik och interaktiva system. Forskningens fokusområde är på väg att utvidgas från protokollnivå till problem och lösningar i applikationslagret.

Fortlöpande samarbete med forskningsgrupper som studerar decentraliserade system hör till forskningsområdet. Samarbetet koordineras av forskningsenheten NODES (Networking in Open Distributed Environments).

Forskningsgrupper:

Collaborative and interoperable computing utvecklar lösningar för samverkande tjänster och deras hantering. Forskningen fokuserar framför allt på automationslösningar för funktioner och gränssnitt mellan företag och system.

Forskningsledare: universitetslektor Lea Kutvonen

 

Collaborative networking studerar storskaliga decentraliserade system och nätverksapplikationer som bygger på frivilligt samarbete. Forskningen riktar in sig på till exempel molntjänster, opportunistiska mobilnät och föremålens internet (Iot).

Forskningsledare: professor Jussi Kangasharju

Content-centric structures and networking studerar datakommunikation och datanät med inriktning på överföring och delning av innehåll. Gruppens mål är att utveckla lösningar inom datakommunikation som är effektivare än den nuvarande TCP/IP-baserade tekniken.

Forskningsledare: professor Sasu Tarkoma

 

Parallel and distributed computing studerar möjligheterna att använda parallell beräkning och decentraliserade system i olika tillämpningar, främst inom datahantering och dataanalys.

Forskningsledare: professor Keijo Heljanko

 

Pervasive Data Science studerar spridningen av sensorförsedda enheter i den dagliga miljön. Gruppen är särskilt intresserad av hur informationen från dessa enheter kan användas för att stödja vetenskaplig forskning.

Forskningsledare: professor Petteri Nurmi

 

 

 

Secure systems studerar utvecklingen och optimeringen av datasystem. Tyngdpunkten för forskningen ligger på hur man kan bygga bästa möjliga system som både är användarvänliga, har rimliga utvecklingskostnader och som också är tillräckligt säkra.

Forskningsledare: professor Valtteri Niemi

Systems and media studerar olika digitala system, såsom mobilnät, webbtjänster och virtuell verklighet, samt hur användarna agerar i dem. Gruppen studerar användarnas agerande särskilt noggrant och strävar efter att ta fram system på basis av insamlade data som är både säkra och energieffektiva samt skalbara.

Forskningsledare: professor Pan Hui

 

Wireless Internet studerar användningssätt och tekniska möjligheter för trådlösa nätverk. Gruppen har arbetat med ämnet sedan 1990-talet och har bidragit till utvecklingen av många metoder och verktyg som mäter och förbättrar prestanda hos nätverk.

Forskningsledare: lektor Markku Kojo

 

Programvaran är numera viktig inom nästan alla branscher, eftersom allt fler industriella produkter åtminstone delvis också är programvaruprodukter. Forskningsområdet för programvara omfattar forskning om programvara, interaktiva system och informationssystem, samt programmeringsundervisning och forskning om lärandeanalys. 

Forskningsgrupper:

Agile education studerar utbildningens utveckling med utgångspunkt i faktabaserad iteration. Gruppens mål är att ta fram handlingsmodeller utifrån insamlade data för att fortlöpande utveckla och förbättra utbildningen. Forskningen riktar in sig på att utveckla lärandeprocesserna så att studenternas möjligheter att utvecklas till experter ständigt blir bättre.

Forskningsledare: universitetslektor Matti Luukkainen

 

Empirical Software Engineering studerar utvecklingen av programteknik för industrins behov. Gruppen lägger tonvikten på empiriska metoder i sin forskning för att fördjupa sin uppfattning om programutvecklingens och programarkitekturens ramvillkor. Gruppen bedriver både projektforskning och långsiktig grundforskning.

Forskningsledare:

Ubiquitous interaction studerar interaktionen mellan människa och dator. Forskningen riktar främst in sig på multimodal interaktion, modellering av interaktiva avsikter och blandad verklighet (MR). Syftet är att ta fram information och tillämpningar för olika applikationer för informationssökning och välbefinnande.

Forskningsledare: professor Giulio Jacucci

 

Unified database management systems studerar system för databashantering och deras optimering. Gruppen utvecklar algoritmer som syftar till att förbättra hanterbarheten, användbarheten och prestanda hos databaser och stora informationssystem.

Forskningsledare: professor Jiaheng Lu