Till innehåll på sidan
Till KTH:s startsida

Forskningsagenda för gruppen GALE

Gruppen Graph Analytics and Network Learning (GALE) fokuserar på att överbrygga gapet mellan maskininlärning och distribuerade system för att ta itu med de utmaningar som centraliserade AI-tjänster innebär. Dessa traditionella tjänster samlar och centraliserar ofta användardata, vilket leder till integritetsproblem, förlust av kontroll och skalbarhetsproblem. GALE utvecklar federerade och decentraliserade algoritmer som möjliggör avancerad datautvinning och maskininlärning på distribuerade, dynamiska datauppsättningar, i syfte att skapa skalbara och säkra AI-lösningar.

Dessutom är GALE aktivt involverad i forskning om informationsnätverksanalys och grafinlärning. Detta är särskilt värdefullt i domäner där data uppvisar en länkad (grafisk) natur, som i sociala, finansiella och transportnätverk, såväl som i system för upptäckt av bedrägerier och rekommendationer. GALE-gruppen använder decentraliserade maskininlärningstekniker, inklusive Gossip Learning och Decentralized Graph Neural Networks, för att extrahera insikter och handlingsbar kunskap från distribuerad grafstrukturerad data.