Neuroinformatiikan tutkimusryhmä
Neuroinformatiikka tarkoittaa tietojenkäsittelytieteiden ja neurotieteiden yhdistämistä ja niiden välistä rajapintaa. Neuroinformatiikassa on kaksi osa-aluetta. Laskennallinen neurotieteen tavoitteena on rakentaa simulaatiomalleja aivojen toiminnasta; käytännössä simulaatiomallit koskevat vain tiettyä, pienempää aivojen osaa. Toinen osa-alue on neurotieteellinen data-analyysi. Esim. modernit aivokuvantamismenetelmät tuottavat suuria määriä dataa, jonka analyysi vaatii uudenlaisia menetelmiä.
Tutkimusryhmä on menetelmällisesti keskittynyt probabilistisiin ja tilastotieteellisiin malleihin, ja neurotieteelliseltä kannalta painopistealueita ovat aivojen näköjärjestelmän mallintaminen sekä aivokuvantamisdatan analyysi. Lisäksi ryhmä kehittää yleistä data-analyysin teoriaa, jota voi soveltaa myös muilla aloilla, kuten esimerkiksi bioinformatiikassa.
Tärkeitä teoreettisia lähtökohtia tutkimuksessa ovat epägaussisuus ja ohjaamaton oppiminen. Ohjaamattomassa oppimisessa datasta, jota ei ole mitenkään erityisesti luokiteltu tai jaettu syötteisiin ja ulostuloihin, opitaan piirteitä. epägaussisuus. Klassiset tilastolliset menetelmät yleensä olettavat että data on gaussista eli noudattaa normaalijakaumaa. Jos näin ei ole, voidaan kehittää aivan uudenlaisia analyysimenetelmiä. 1990-luvulla kehitetty riippumattomien komponenttien analyysi on tärkeimpiä esimerkkejä tällaisista menetelmistä.
Olemme viime aikoina löytäneet tälle viitekehykselle sovelluksia esim. kausaalimallintamisessa, jossa pyritään mallintamaan muuttujien välisiä interaktioita. Näillä menetelmillä on tärkeitä sovelluksia aivokuvantamisdatan analyysissä, mutta myös muilla tieteenaloilla.
Käytämme samaa teoreettista viitekehystä myös mallintamaan näköjärjestelmän toimintaa. Ajatuksena on, että aivot tekevät tilastollista analyysiä sisääntulevasta informaatiosta, ja tätä analyysiä voimme simuloida tietokoneella perustuen digitaalisten kuvien tilastollisiin malleihin.
Yhteyshenkilö : professori Aapo Hyvärinen
Kotisivu : http://www.hiit.fi/neuroinf
Valittuja julkaisuja
A. Hyvärinen and P.O. Hoyer. Emergence of phase and shift invariant features by decomposition of natural images into independent feature subspaces. Neural Computation, 12(7):1705-1720, 2000.
A. Hyvärinen, J. Karhunen, and E.Oja. Independent Component Analysis. Wiley Interscience, 2001. Japanese translation by Tokyo Denki University Press, 2005. Chinese translation by Electronic Industry Press, Beijing , 2007.
A. Hyvärinen. Estimation of non-normalized statistical models using score matching. Journal of Machine Learning Research, 6:695--709, 2005.
S. Shimizu , P.O. Hoyer, A. Hyvärinen, and A. Kerminen. A linear nongaussian acyclic model for causal discovery. J. of Machine Learning Research 7:2003-2030, 2006.