Strojno učenje za sistemske znanosti

Nazaj na seznam za leto 2016

---

Oznaka in naziv projekta

N2-0056 - Strojno učenje za sistemske znanosti
N2-0056 - Machine Learning for System Sciences

Logotipi ARRS in drugih sofinancerjev

Projektna skupina

Vodja projekta |prof. dr. Sašo Džeroski

Sodelujoče raziskovalne organizacije: Povezava na SICRIS

Sestava projektne skupine: Povezava na SICRIS

Vsebinski opis projekta

Sistemske znanosti preučujejo kompleksne sisteme v naravi in družbi. Pri tem uporabljajo modele, ki so poenostavljene predstavitve opazovanih sistemov in omogočajo preučevanje obnašanja sistemov in njihovo simulacijo. Ključni nalogi sistemskih znanosti sta gradnja modelov in njihova analiza, pri kateri model uporabimo za preučevanje možnih obnašanj sistema. Nalogo gradnje modelov srečamo v več različicah: pri identifikaciji iščemo model sistema na osnovi opazovanega obnašanja, pri načrtovanju iščemo model z želenim obnašanjem, pri vodenju pa iščemo vhode v sistem, ki pripeljejo do želenega obnašanja. Gradnja modelov v glavnem poteka ročno in sledi teoretičnemu pristopu k modeliranju, kar zahteva veliko znanja in časa. Po drugi strani je lahko empirični pristop k modeliranju, ki sloni predvsem na podatkih, zelo učinkovit, vendar nam pogosto ne omogoči razumevanja sistema.

Cilj predlaganega projekta je združiti teoretični in empirični pristop k modeliranju ter tako avtomatizirati poglavitne naloge sistemskih znanosti z uporabo splošnega in poenotenega pristopa strojnega učenja. Na ta način bi odpravili ozko grlo sistemskih znanosti, ki nastaja zaradi ročne gradnje in analize modelov pri preučevanju obnašanja sistemov. Potencialni vpliv znanstvenega prispevka tega projekta je zelo velik, saj različne sistemske znanosti obravnavajo veliko problemov z izjemnim industrijskim in družbenim pomenom (sistemska medicina za individualizirane terapije, sistemska in sintezna biologija za proizvodnjo biogoriv in biozdravil).

Združevanje obeh pristopov k modeliranju in avtomatizaciji ključnih nalog sistemskih znanosti je velik raziskovalni izziv. Predlagani projekt se bo s tem izzivom spopadel s: (1) predlaganjem formalizmov za modeliranje in sklepanje na različnih nivojih abstrakcije od strukture modeliranega sistema do njegovega obnašanja, (2) obravnavo tako determinističnih kot verjetnostnih modelov in pristopov k modeliranju, (3) razvojem metod strojnega učenja za reševanje nalog sistemskih znanosti na poenoten način in (4) vrednotenjem razvitih metod preko njihove uporabe na umetnih in praktično relevantnih primerih s področij sistemske medicine ter sistemske in sintezne biologije.

Osnovni podatki sofinanciranja so dostopni na spletni strani. Povezava na SICRIS.

Delovni sklopi projekta

• DS1: Formalna predstavitev: domenskega znanja, modelov in prostorov modelov
• DS2: Sklepanje za deterministične in stohastične modele: simulacija, merjenje kvalitete in ocenjevanje parametrov
• DS3: Strojno učenje za sistemsko identifikacijo, načrtovanje, kontrolo in analizo
• DS4: Vrednotenje na standardnih problemih modeliranja in realnih študijah primerov
• DS5: Razširjenje rezultatov projekta
• DS6: Vodenje projekta

Bibliografske reference

• TANEVSKI, J., TODOROVSKI, L., DŽEROSKI, S. (2016). Learning stochastic process-based models of dynamical systems from knowledge and data. BMC systems biology.

• SIMIDJIEVSKI, N., TODOROVSKI, L., DŽEROSKI, S. (2016). Modeling dynamic systems with efficient ensembles of process-based models. PloS one.

• TANEVSKI, J., TODOROVSKI, L., DŽEROSKI, S. (2016). Process-based design of dynamical biological systems. Scientific reports.

• OSOJNIK, A., PANOV, P., DŽEROSKI, S. (2016). Modeling dynamical systems with data stream mining. Computer science and information systems.

• ALEKSOVSKI, D., KOCIJAN, J., DŽEROSKI, S. (2016). Ensembles of fuzzy linear model trees for the identification of multi-output systems. IEEE transactions on fuzzy systems.

• SIMIDJIEVSKI, N., TODOROVSKI, L., DŽEROSKI, S. (2016). Learning ensembles of process-based models by bagging of random library samples. In Proc. 19th International Conference on Discovery Science. LNCS 9956:245-260.

• ALEKSOVSKI, D., DOVŽAN, D., DŽEROSKI, S., KOCIJAN, J. (2016). A comparison of fuzzy identification methods on benchmark datasets. 4th IFAC Conference on Intelligent Control and Automation. IFAC-PapersOnLine.

• LUKŠIČ, Ž., TANEVSKI, J., DŽEROSKI, S., TODOROVSKI, L. (2017). General meta-model framework for surrogate-based numerical optimization. In Proc. 20th International Conference on Discovery Science. LNAI 10558:51-56.

• TANEVSKI, J., SIMIDJIEVSKI, N., TODOROVSKI, L., DŽEROSKI, S. (2017). Process-based modeling and design of dynamical systems. European Conference on Machine learning and knowledge discovery in databases. LNAI 10536:378-382.

• PEEV, G., SIMIDJIEVSKI, N., DŽEROSKI, S. (2017). Data - driven modeling of nonlinear dynamic systems.In Proc. 9th Jožef Stefan International Postgraduate School Students' Conference and 11th Young researchers' Day.

• SIMIDJIEVSKI, N., TANEVSKI, J., ŽENKO, B., LEVNAJIĆ, Z., TODOROVSKI, L., DŽEROSKI, S. (2018). Decoupling approximation robustly reconstructs directed dynamical networks. New journal of physics..

• KUZMANOVSKI, V., TODOROVSKI, L., DŽEROSKI, S. (2018). Extensive evaluation of the generalized relevance network approach to inferring gene regulatory networks. GigaScience.

• RECKNAGEL, F., KOCEV, D., CAO, H., BRANCO, C. C., MINOTI, R., DŽEROSKI, S. (2018). Inferential Modelling of Population Dynamics. In: Recknagel F., Michener W. (eds) Ecological Informatics. Springer.

• TOLOVSKI, I., KOSTOVSKA, A., SIMIDJIEVSKI, N., TODOROVSKI, L., DŽEROSKI, S., PANOV, P. (2019). Towards reusable process-based models of dynamical systems: A case study in the domain of aquatic ecosystems. 42nd International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO).

• VERDEL, N., TANEVSKI, J., DŽEROSKI, S., MAJARON, B. (2019). Hybrid technique for characterization of human skin using a combined machine learning and inverse Monte Carlo approach. Proc. SPIE 11075, Novel Biophotonics Techniques and Applications V.

• LEGUIA, M. G., LEVNAJIĆ, Z., TODOROVSKI, L., ŽENKO, B. (2019). Reconstructing dynamical networks via feature ranking. Chaos 29.

• TANEVSKI, J., TODOROVSKI, L., DŽEROSKI, S. (2020). Combinatorial search for selecting the structure of models of dynamical systems with equation discovery. In Engineering Applications of Artificial Intelligence.

• PEEV, G., SIMIDJIEVSKI, N., DŽEROSKI, S. (2017). Modeling of dynamical systems : a survey of tools and a case study. In Proc. 20th International Multiconference Information Society.

• Reference - SICRIS

Doktorska in magistrska dela:

• SIMIDJIEVSKI, N.(2016). Ensembles of process-based models of dynamic systems : doctoral dissertation = Ansambli procesnih modelov dinamičnih sistemov : doktorska disertacija.

• TANEVSKI, J.(2016). Deterministic and stochastic process-based modeling and design of dynamic systems in biology : doctoral dissertation = Deterministično in stohastično procesno modeliranje in načrtovanje dinamičnih sistemov v biologiji : doktorska disertacija.

• LUKŠIČ, Ž. (2017). Numerična optimizacija z nadomestnimi funkcijami : magistrsko delo.

• PEEV, G. (2018). Visual representation of process-based models : master thesis = Vizualna predstavitev procesnih modelov : magistrsko delo.

• KOSTOVSKA, A. (2019). Designing, populating and querying repositories of semantically annotated datasets : master thesis.

• TOLOVSKI, I. (2019). Designing, populating and querying repositories of semantically annotated computational experiments : master thesis = Načrtovanje, polnjenje in preiskovanje zbirk semantično označenih računalniških poskusov: magistrsko delo.

Odprto dostopna programska oprema

• Probmot

---

Nazaj na seznam projektov po letih