Badania prowadzone przez członków zakładu są związane z poniżej wymienionymi zagadnieniami.
Uczenie maszynowe i eksploracja danych
- Przyrostowe uczenie modeli predykcyjnych z zmiennych strumieni danych z dryftem pojęć
- Poprawa klasyfikacji danych o niezbalansowanych klasach
- Integracja wiedzy symbolicznej i sieci neuronowych
- Zastosowanie metod uczenia maszynowego i eksploracji danych w danych biomedycznych
- Głównie wspieranie decyzji diagnostycznych i terapeutycznych, obrazowania medycznego
- Uczenie ze złożonych danych
- Uczenie online złożonych reprezentacji wiedzy z danych
- Złożone reprezentacje przykładów i strukturalne wyjścia systemów
- Eksploracja tekstów i przetwarzanie języka naturalnego
Wiarygodna sztuczna inteligencja (ang. Trustworthy AI) i wyjaśnianie modeli uczenia maszynowego
(Badanie, projektowanie i rozwój jednolitej metodologii dla interpretowalnych systemów uczenia maszynowego, zwłaszcza w obszarach, gdzie bliska interakcja między ludźmi a technologią jest istotna).
- Nowe architektury uczenia się
- Kryteria oceny takich systemów
- Modelowanie preferencji i uczenie się preferencji z przykładów
- Percepcja i uwzględnianie roli czowieka w systemach uczących
- Automatyczna wizualizacja
- Nowe sposoby interakcji z użytkownikami/ludźmi
- Odpowiedzialna sztuczna inteligencja i bezstronne podejmowanie decyzji
Inne obszary badawcze
- Process mining – analiza zapisów zdarzeń dla modelowania procesów
- Algorytmy dokładnej i heurystycznej optymalizacji
- Impulsowe sieci neuronowe i analiza sygnałów
- Algorytmy uczenia impulsownych sieci neuronowych i ich zastosowania w przetwarzaniu brzegowym (ang. edge computing)
- Głębokie uczenie w przetwarzaniu języka naturalnego
- Uczenie neurosymboliczne i wnioskowanie w takich systemach
- Systemy wieloagentowe, robotyka ewolucyjna, symulacje biologiczne, sztuczne życie
- Optymalizacja topologii sieci neuronowych dla sterowania w czasie rzeczywistym
- Wielokryterialna analiza i wspomaganie decyzji