Tutkimusprojektit
Algoritmit
Trust For All (Trust4All)
Ajankohta: 1/2005-12/2006
Tutkijat: Patrik Floréen, Michael Przybilski, Topi Musto
Rahoitus: Nokian tutkimuskeskus, alihankinta
EUREKA/ITEA-projektissa Trust4All tutkitaan luottamuksen käsitettä ohjelmistoarkkitehtuureissa. Työ keskittyy järjestelmiin, jotka mukautuvat kontekstin perusteella, ja erityisesti näiden järjestelmien luottamus- ja turvallisuusominaisuuksiin. Työ pohjautuu sulautettujen järjestelmien väliohjelmistoon, jota on kehitetty Robocop-projektissa ja laajennettu Space4U-projektissa.
Vuonna 2006 kehitettiin malli, joka kuvaa ohjelmistokomponenttien pääsynvalvontaan liittyviä vaatimuksia. Mallin mukainen pääsynvalvontamekanismi on toteutettu ja testattu, ja tämä uusi lähestymistapa integroidaan Trust4All-väliohjelmistoon vuoden 2007 aikana. Menetelmän toimivuuden osoittamiseksi on kehitetty prototyyppi, joka tulee hyödyntämään kehitettävää väliohjelmistoa. Trust4All on usean Eurooppalaisen yliopiston ja yrityksen EUREKA/ITEA-yhteisprojekti. Työ HIIT/BRUssa on Nokian tutkimuskeskuksen tilaamaa alihankintatyötä.
Mobile Life (MobiLife)
Ajankohta: 9/2004-12/2006
Tutkijat: Patrik Floréen, Petteri Nurmi, Jukka Suomela, Fredrik Boström, Marja Hassinen, Joonas Kukkonen, Eemil Lagerspetz, Mika Karlstedt
Rahoitus: EU IST
MobiLife-projektin tavoitteena oli kehittää ja ottaa käyttöön uusia käyttäjäkeskeisiä mobiilisovelluksia ja -palveluja ihmisten arkielämän tarpeisiin. MobiLife-projektia koordinoi Nokia, ja siihen kuuluu 22 yhteistyökumppania yhdeksästä maasta. Se oli osa laajempaa ryhmää EU-projekteja, joita kutsutaan nimellä Wireless World Initiative (WWI). HIIT/BRUssa toimiva ryhmä keskittyi kontekstitietoisuuteen. Siinä tutkittiin kontekstitietoisen päättelyn menetelmiä sekä osallistuttiin kontekstitietoisten sovellusten kehitystyöhön. HIIT/BRU johti kontekstihallintaan keskittyvää osaa projektista. MobiLife päättyi vuoden 2006 lopussa.
Vuoden 2006 aikana kehitettiin datankeruuseen tarkoitettu avoimen lähdekoodin ohjelmisto BeTelGeuse (ks. http://www.cs.helsinki.fi/group/acs/betelgeuse/ ) sekä jatkettiin työtä yleisen suosituksia tuottavan päättelykomponentin [1] parissa. Myös ContextWatcher-sovelluksen (ks. http://portals.telin.nl/contextwatcher/ ) kehitystyöhön osallistuttiin edelleen. Lisäksi kehitettiin paikkatietoon liittyviä klusterointialgoritmeja ja kontekstidataa esittävää simulaattoria.
[1] Petteri Nurmi, Alfons Salden, Sian Lun Lau, Jukka Suomela, Michael Sutterer, Jean Millerat, Miquel Martin, Eemil Lagerspetz, and Remco Poortinga. A system for context-dependent user modeling. Proc. OTM Federated Workshops ( Montpellier , France , October-November 2006), Lecture Notes in Computer Science 4278. Springer-Verlag, Berlin, Germany, 2006, 1894-1903.
Semantic Interpreter Widened Experience (Stepwise)
Ajankohta: 9/2006-8/2007
Tutkijat: Patrik Floréen, Petteri Nurmi
Rahoitus: Nokian tutkimuskeskus, alihankinta
Stepwise-projekti on Nokian tutkimuskeskuksen alihankintaprojekti, jonka tarkoituksena on parantaa käyttäjän kontekstitietoisten palvelujen käyttökokemusta tilastollisen päättelyn ja simuloinnin avulla. Projekti alkoi syyskuussa 2006.
Sisältöperusteinen musiikin haku ja analyysi - Content-Based Retrieval and Analysis of Harmony and other Music Structures (C-BRAHMS)
Ajankohta: 8/2005-7/2010
Tutkijat: Kjell Lemström, Väinö Ala-Härkönen, Johan Brunberg, Niko Mikkilä, Veli Mäkinen, Anna Pienimäki, Esko Ukkonen
Rahoitus: Suomen Akatemia
Projektin tehtävänä on suunnitella ja toteuttaa algoritmeja ja tietorakenteita symbolisesti koodatun musiikin analyysiin ja hakuun sisällön perusteella. C-BRAHMSin tulokset on tarkoitus asettaa kaikkien saataville lisäämällä ne prototyyppijärjestelmään, jota jaetaan GNUn GPL-lisenssin ehtojen mukaisesti. Vuoden 2006 aikana projektissa kehitettiin uusi asiakas-palvelin-rakennetta käyttävä prototyyppi, joka on valmistuttuaan käytettävissä projektin kotisivulla ( http://www.cs.helsinki.fi/group/cbrahms/ ).
Approksimointi- ja oppimisalgoritmit - Approximation and learning algorithms (ALEA)
Ajankohta: 1/2005-12/2008
Tutkijat: Krishnan Narayanan, Matti Kääriäinen, Jyrki Kivinen
Rahoitus: Suomen Akatemia
Approksimointialgoritmit ovat menetelmiä, jotka etsivät laskennallisiin ongelmiin ei aivan parhaita mahdollisia ratkaisuja. Ajatuksena on säästää laskentaresursseja ongelmissa, joiden tarkka ratkaiseminen on laskennallisesti hankalaa. Koneoppimisen perusmenetelmä on muodostaa annetun esimerkkidatan perusteella hypoteesi, joka selittää esimerkit ja on mahdollisimman yksinkertainen. Tässä on usein luontevaa käyttää approksimointialgoritmeja, sillä yksinkertaisen hypoteesin löytäminen voi olla laskennallisesti hankalaa, ja usein ei halutakaan selittää kaikkia esimerkkejä tarkasti. Esimerkeissä voi olla virheitä, joita oppimisalgoritmin ei pidäkään jäljitellä.
Hankkeessa tarkastellaan approksimointialgoritmeja erityisesti koneoppimisen tarpeita silmälläpitäen. Eräs osatavoite on muokata perinteisiä pahimman tapauksen tarkasteluun perustuvia approksimointialgoritmeja siihen suuntaan, että ne pystyvät paremmin hyötymään käytännössä usein esiintyvistä helpoista tapauksista. Toinen lähestymissuunta on sellaisten koneoppimisen mallien ja menetelmien kehittäminen, joissa vaikeaksi tunnettu approksimointiongelma väistetään joko muuntamalla hypoteesin esitysmuotoa tai formalisoimalla oppimisongelma kokonaan toisin.