Projekt NCN nr 06788

Logo PP IAII NCN

Status-mail-task-icon

 

Zad.1: Opracowanie teorioinformacyjnego modelu procesu wnioskowania abdukcyjnego.

Zad.2: Opracowanie metod analizy teorioinformacyjnej danych zapisanych w postaci tensorowej.

Zad.3: Analiza bazujących na SVD i RRI technik przetwarzania wielowymiarowych struktur wektorowych (macierzy, tensorów) przy pomocy narzędzi z teorii informacji, teorii prawdopodobieństwa i obliczeń kwantowych.

Zad.4: Zbadanie zależności między zmianami entropii zbioru danych w procesie abdukcyjnego wnioskowania, a użytecznością stawianych w wyniku tego procesu hipotez.

Zad.5: Przygotowanie modelu przetwarzania struktur grafowych zgodne z uniwersalnym tensorowym modelem reprezentacji danych.

Zad.6: Przeprowadzenie teorioinformacyjnej analizy procesów wnioskowania abdukcyjnego z użyciem miar mechaniki kwantowej (m.in., entropii von Neumanna).

Zad.7: Opracowanie uniwersalnego teorioinformacyjnego kryterium optymalności wnioskowania abdukcyjnego.

Zad.8: Zaprojektowanie algorytmów wykorzystujących teorioinformacyjny model wnioskowania abdukcyjnego do predykcji nieznanych powiązań w zbiorach danych.

Zad.9: Opracowanie przybliżonych algorytmów rekomendacji kontekstowej bazujących na teorioinformacyjnym modelu przetwarzania danych w procesie abdukcyjego wnioskowania i teorioinformacyjnym kryterium optymalności.

Zad.10: Eksperymentalna ocena algorytmów rekomendacji kontekstowej na bazie modelu wnioskowania abdukcyjnego przeprowadzona z użyciem powszechnie stosowanych zbiorów danych tekstowych i kolaboratywnych (Faza 1).

Zad.11: Eksperymentalna ocena modeli i algorytmów rekomendacji kontekstowej zastosowanych w uzgadnianiu ontologii (konkurs OAEI) i przyporządkowaniu usług sieciowych (konkurs S3) (Faza 1).

Zad.12: Analiza miar jakości rekomendacji (w tym miar wywodzących się z metod wyszukiwania informacji - w szczególności precision/recall/F1 i ROC) pod kątem ich probabilistycznej interpretowalności oraz zależności od cech zbioru dostępnych informacji.

Zad.13: Krytyczna analiza istniejących metodyk i opracowanie własnej (ugruntowanej teorioinformacyjnie) metodyki oceny jakości rekomendacji.

Zad.14: Opracowanie metod optymalizacji indeksowania i klasteryzacji przestrzeni wektorowych dla potrzeb rekomendacji kontekstowej realizowanej w czasie rzeczywistym.

Zad.15: Opracowanie metod reprezentacji czasu w modelu tensorowym dla potrzeb algorytmów rekomendacji kontekstowej uwzględniającej aspekt czasowy.

Zad.16: Opracowanie udoskonalenego modelu procesu wnioskowania abdukcyjnego dla potrzeb przetwarzania obszernych zbiorów danych heterogenicznych (przygotowanie modelu aproksymacyjnego na potrzeby efektywnego przetwarzania obszernych zbiorów danych).

Zad.17: Opracowanie aproksymacyjnych algorytmów abdukcyjnego przetwarzania obszernych zbiorów heterogenicznych danych.

Zad.18: Opracowanie metod wprowadzania wyników analizy syntaktycznej tekstu do tensorowego modelu reprezentacji i przetwarzania danych.

Zad.19: Eksperymentalna ocena algorytmów rekomendacji kontekstowej na bazie modelu wnioskowania abdukcyjnego przeprowadzona z użyciem uznanych zbiorów tekstowych (Faza 2 - obszerne zbiory danych, dodanie analizy syntaktycznej tekstu oraz uwzględnienie wymiaru czasowego).

Zad.20: Eksperymentalna ocena algorytmów rekomendacji kontekstowej zastosowanych w uzgadnianiu ontologii (konkurs OAEI) i przyporządkowaniu usług sieciowych (konkurs S3) (Faza 2 – bardzo duże zbiory danych oraz dodanie analizy syntaktycznej tekstu).