Data, Knowledge, and Web Engineering-gruppen på Aalborg Universitet er en førende forskningsgruppe, der fokuserer på quantum computing, natural language processing (NLP), knowledge engineering, web-videnskab og avancerede maskinlæringsmetoder.

Vi deltager i en række tværfaglige forskningsindsatser inden for forskellige områder, herunder sundhed, biovidenskab, uddannelse og sikkerhed, og vi arbejder tæt sammen med andre grupper og institutter.

Vores fælles ambition er at give store mængder heterogene data mening samt udnytte det bedst muligt til en bred vifte af use cases og applikationer.

KVANTE

DKW har arbejdet med kvanteberegning og kvanteinformation siden slutningen af 2022. Vores fokus er grundforskning på lave Technology Readiness Levels (TRL 1-2) med vægt på modellering af kvantestøj, fejlkorrigerende kodning for at reducere forholdet mellem fysiske og logiske qubits samt sensitivitetsanalyse af kvantemetoder.

Vi integrerer værktøjer fra signalbehandling med kvanteudfordringer og udnytter omfattende simuleringer og eksperimenter ved hjælp af kvantehardware og high performening databehandling.

Vores mål er at udvikle nye metoder, algoritmer og software til at løse grundlæggende kvanteproblemer, herunder:

• Kvantestøj og fejlkorrigering: Modellering af kvantestøj og forbedring af fejlkorrigeringsmetoder for at optimere forholdet mellem fysiske og logiske qubits.
• Kvantealgoritmer og simuleringer: Design og validering af nye kvantealgoritmer gennem omfattende simuleringer og eksperimenter.
• Sensitivitetsanalyse: Undersøgelse af indvirkningen af kvantetilstands- og output-variabilitet på implementerede metoder.

NATURAL LANGUAGE PROCESSING (NLP) 

DKW bidrager til grundforskning i natural language processing (NLP) med særlig fokus på flersproglighed og lavressourcesprog. Vores arbejde bygger bro mellem datalingvistik, AI og data science for at tackle virkelighedsnære udfordringer, fremme retfærdig sprogteknologi, og robuste AI-systemer.

Vi udfører grundforskning inden for områderne:

• Multilingual NLP: Forbedring af ydeevnen og fairness af NLP-systemer på tværs af typologisk forskellige sproglige landskaber.
• Linguistically informed NLP: Udnyttelse af indsigter fra lingvistisk teori og lingvistisk typologi for at forbedre modelpræstation, fortolkelighed og robusthed.
• NLP-sikkerhed: Udvikling af metoder til at opdage og afbøde angreb på NLP-teknologi, herunder generative sprogmodeller.
• Store sprogmodeller (LLMs): Undersøgelse af faktualitet, adfærd, sikkerhed og etisk implementering af LLM'er i forskellige applikationer.
• NLP til uddannelse: Design af NLP-systemer til at understøtte feedback, vurdering og retfærdige læringsmiljøer.

KNOWLEDGE 

DKW forsker i knowledge engineering og maskinlæring med særlig fokus på knowledge graphs, representation learning og data privacy. Vi sigter mod at bygge bro mellem dataanalyse og AI for at løse samfundsmæssige udfordringer, herunder applikationer inden for sundhed og biologi gennem pålidelige, intelligente systemer. Vi undersøger, hvordan man kan udlede handlingsorienteret viden og forbedre beslutningstagning.

Vi udfører grundforskning inden for områderne:

• Knowledge graphs: Fokus på konstruktion af knowledge graphs og ontology engineering og undersøger mulighederne for forbedring af integration, hentning og ræsonnement på tværs af store mængder heterogene og dynamiske data.
• Representation learning: Udvikling af nye metoder til at lære og håndtere repræsentationer af forskellige datamodaliteter, herunder datasekvenser (især genomiske sekventielle data) og grafer samt udnyttelse af disse repræsentationer til dataanalyse som pattern mining og datafusion.
• Databeskyttelse: Undersøgelse af brugen af generativ AI og differential privacy for at syntetisere multimodale datasæt, beskytte individers følsomme oplysninger og samtidig bevare brugbarhed i forskellige dataanalyse- og datalogiske opgaver.
• Semantiske teknologier: Udnyttelse og udvidelse af semantiske webteknologier for at muliggøre nøjagtig og kontekstbevidst analyse.

WEB

DKW har arbejdet med web science og engineering siden begyndelsen. Vores forskning inden for web science vedrører både internettet som forskningsemne såvel som internettet som en teknologisk infrastruktur. Vores fokus er på AI-baserede metoder til at lære brugerpræferencer fra brugerens eksplicitte og implicitte data; fra sideinformation og metoder til at anbefale emner og brugere til forskellige opgaver på internettet.

Vi fremmer aktivt den nyeste viden inden for recommender systems, personalisering, brugermodellering, (personlig) informationssøgning og webanalyse af sociale netværk på internettet. De vigtigste retninger suppleres med offentliggørelse, sammenkædning og tilpasning af åbne data med andre datasæt på internettet.

Vores mål er at udvikle nye metoder, algoritmer og software til at løse grundlæggende problemer inden for områder som:

• Information overload: Internettet giver adgang til en stor mængde data. AI-teknologier til personalisering og anbefaling kan hjælpe med at eksponere de mest relevante oplysninger.
• Cold start: Finde yderligere sideinformation og lignende brugere for at afhjælpe situationer, hvor der ikke er nok direkte beviser på en bestemt bruger eller emne.
• Explainability: Afdække årsager til, hvorfor visse oplysninger eller emner eksponeres for en bruger baseret på anmeldelsesdata eller semantiske web-repræsentationer.
• Heterogenitet og modaliteter i data: Metoder til anbefalinger, tilpasning, integration og datahentning, når data kommer fra forskellige kilder og forskellige repræsentationer, herunder tabeldata, grafdata og tekstdata.

FORSKNINGSTILGANG

Forskningstilgangen er primært konstruktiv: Vi er teoretisk velfunderede og laver prototyper og empiriske undersøgelser af målrettede artefakter som frameworks, datastrukturer, indekser, algoritmer, sprog, værktøjer og systemer.

Derudover er forskningen hovedsageligt drevet af nye og udfordrende applikationer i den virkelige verden, hvor primære anvendelsesområder er webforespørgsler, biovidenskab og sundhed.

Forskningen knytter an til (mindst) følgende FN Verdensmål: 3, 4, 12, 15 og 16.