Odkrivanje strukture modela s pomočjo metod, ki upoštevajo negotovost strukture in vrednosti parametrov, je ključen problem sistemskega pristopa k biologiji. Kljub temu se mu v aktualni literaturi ne namenja veliko pozornosti. Obstoječi pristopi večinoma upoštevajo samo negotovost parametrov z združevanjem metod za simulacijo in ocenjevanje parametrov enega modela. Redki pa hkrati upoštevajo tudi negotovost strukture modela. Le-ti problem pogosto poenostavijo tako, da od uporabnika zahtevajo ročno vnašanje alternativnih struktur. Po drugi strani pa procesno-osnovani pristopi modeliranja ponujajo prilagodljive modularne formalizme za določanje celih razredov možnih struktur, vendar so omejeni na deterministične modele. V okviru projekta smo razširili procesno-osnovane pristope modeliranja z induktivnim učenjem stohastičnih modelov z uporabo predznanja in podatkov. Na področju epidemiologije smo z razširjenimi pristopi uspešno rekonstruirali dobro znane modele epidemioloških izbruhov iz realnih, redkih in šumnih podatkov.
F.02 Pridobitev novih znanstvenih spoznanj
COBISS.SI-ID: 29374503V medicinskem kontekstu smo uvedli novo metodologijo za neinvazivno oceno strukture in sestave človeške kože in-vivo. Pristop združuje pulzno fototermalno radiometrijo (PPTR), ki vključuje časovne meritve srednje infrardeče emisije po obsevanju z mili-sekundnim svetlobnim impulzom in difuzno odbojno spektroskopijo (DRS) na vidnem delu spektra (400–600 nm). Eksperimentalne podatke sočasno modeliramo z štiri-plastnim Monte Carlo (MC) modelom prenosa svetlobe v človeški koži. Opisani pristop omogoča oceno vsebnosti specifičnih kromoforjev (melanina, oksi- in deoksi-hemoglobina), pa tudi lastnosti razpršitve in debeline povrhnjice in dermisa. Vendar je večdimenzionalna optimizacija z numeričnim modelom (tj. Inverzni MC, IMC) računsko zelo draga. Poleg tega moramo optimizacijo večkrat ponoviti, zato, da ustrezno nadziramo neizogibni numerični šum in se izognemo številnim lokalnim ekstremom. Tako ocena 14 prostih parametrov iz radiometričnega prehodnega in spektra DRS traja nekaj ur, kljub veliki paralelizaciji z uporabo tehnologije CUDA in visoko zmogljive grafične kartice. Da bi ublažili to omejitev, smo razvili računalniško zelo učinkovit napovedni model, ki temelji na tehnologiji strojnega učenja. Napovedni model je naključni gozd odločitvenih dreves, naučen iz približno 10.000 "parov" različnih kombinacij kožnih parametrov in ustreznih PPTR signalov in DRS spektrov, izračunanih s pomočjo modela MC. Medtem ko so vrednosti parametrov, ki jih napoveduje model, zelo podobne rezultatom metode IMC, obstaja nekaj pomislekov glede njihove natančnosti. Zato predstavljamo hibridni model, ki združuje opisana pristopa (IMC in napovedni model).
F.21 Razvoj novih zdravstvenih/diagnostičnih metod/postopkov
COBISS.SI-ID: 32537639Za modeliranje populacijske dinamike vodnih ekosistemov smo uporabili pristop učenja procesnih modelov. Gradili smo tako posamezne procesne modele, kot tudi ansamble tovrstnih modelov [COBISS-ID 29437223]. Modelirali smo rast alg v Blejskem jezeru ter jezeru Kasumigaura (Japonska). Za modeliranje kompleksnih ekoloških podatkov smo uporabili tudi evolucijske algoritme in regresijska drevesa. Evolucijski algoritmi so izvrstno orodje za razvoj kratkoročnih modelov napovedovanja, ki razkrivajo ekološke pragove in podpirajo kvantitativne, meta analize. Te možnosti algoritmov nazorno pokažemo na primeru hibridnega evolucijskega algoritma (HEA). Študija primera jezera Müggelsee (Nemčija) prikazuje, da modeli, ki jih je razvil HEA, omogočajo prepoznavanje ekoloških pragov in gonilnih sil, ki kratkoročno napovedujejo populacijsko dinamiko. Meta analiza jezer Wivenhoe (Avstralija) in jezera Paranoa (Brazilija) ponazarja zmožnost modelov, razvitih z algoritmom HEA, za preizkušanje hipotez o različnih funkcij prisiljevanja za modeliranje populacijske rasti v različnih okoljskih in podnebnih razmerah. Po drugi strani pa regresijska drevesa prikazujejo popolnoma pregledne povezave med lastnostmi habitatov in ekološkimi entitetami. Proces indukcije drevesa ne zahteva predhodnih predpostavk, je hiter in nanj ne vplivajo odvečne spremenljivke in šum v podatkih. Študija primera Prespanskega jezera (Makedonija) ponazarja sposobnost regresijskih dreves za razkrivanje kompleksnih ekoloških odnosov.
F.27 Prispevek k ohranjanju/varovanje naravne in kulturne dediščine
COBISS.SI-ID: 30863911V letu 2017 smo organizirali mednarodno konferenco s področja strojnega učenja ECML PKDD 2017. Konferenca je potekala od 18.-22.9.2017 v Skopju, Makedonija. Gre za prestižni letni dogodek, ki se ga je tokrat udeležilo 600 udeležencev iz celega sveta. Na konferenci je bilo 6 vabljenih predavanj, predstavljenih pa je bilo tudi 100 člankov in posterjev. Poleg tega je potekalo več spremljevalnih dogodkov kot so delavnice, tutoriali, forum o EU projektih in forum doktorskih študentov. Več informacij o konferenci je na spletni strani http://ecmlpkdd2017.ijs.si/
B.01 Organizator znanstvenega srečanja
COBISS.SI-ID: 31153447ProBMoT je programska oprema, ki implementira pristop procesnega modeliranja dinamičnih sistemov. Jedro pristopa je formalizem za predstavitev modelov dinamičnih sistemov in znanja o njihovem modeliranju v izbranem področju. Modeli in znanje so predstavljeni na dveh ravneh abstrakcije. Na višji ravni, formalna predstavitev vključuje procese, ki vodijo dinamiko opazovanega sistema in entitete vključene v te procese, ter tako omogoča sklepanje o strukturnih povezavah v opazovanem dinamičnem sistemu. Na nižji ravni abstrakcije, procesi vključujejo konkretne enačbe, entitete pa sistemske spremenljivke in tako omogočajo simuliranje dinamike opazovanega sistem. ProBMoT omogoča avtomatsko transformacijo predstavitve modelov in znanja iz ene ravni v drugo in tako ponuja računsko podporo za simulacijo procesnih modelov, ocenjevanje vrednosti njihovih parametrov iz podatkov ter učenje modelov iz podatkov in predznanja. Več informacij o programski opremi ProBMoT ponuja spletna stran http://probmot.ijs.si/ ProBMoT smo uporabili tudi za gradnjo modelov dinamike epidemije COVID-19 v Sloveniji (http://kt.ijs.si/~ljupco/covid-19-sir/report.nb.html).
F.15 Razvoj novega informacijskega sistema/podatkovnih baz
COBISS.SI-ID: 31157543