| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | 9cd377e4-03e6-4982-876b-38b2dbbf152f |
|---|
| Unit | 16a28d37-6005-49e4-be1b-46b8c76f6640
|
|---|
| Begin | 1/1/2017 |
|---|
| End | 12/31/2020 |
|---|
| title fr |
|
|---|
| title nl | Een interpreteerbaar en performant beslissingsondersteunendsysteem voor longitudinale big data
|
|---|
| title en | A comprehensible and performant Decision Support System forlongitudinal big data
|
|---|
| Description fr |
|
|---|
| Description nl | Het doel van dit onderzoek is om een U+200BU+200Bperformant en begrijpbaar beslissingsondersteunend systeem te creërenvoor longitudinale big data, waardoor deze toepasbaar is in kritieke domeinen, waarbij verkeerde beslissingen worden genomenkan aanzienlijke gevolgen hebben, zoals elektronische gezondheidszorg en telecommunicatie.Om een U+200BU+200Bdergelijk platform te creëren, zullen een architectuur en algoritmen worden ontworpen die (i)de enorme hoeveelheid longitudinale data efficiënt verwerken, (ii) een ensemble van white-box bouwenmodellen met behulp van observatiegegevens en voorkennis en (iii) dit ensemble vertalen in een singleinterpreteerbaar model om beslissingsondersteuning te bieden aan experts. Om zon platform te creëren,uitdagingen met betrekking tot de volgende onderwerpen zullen worden aangepakt:1) Opnemen van voorkennis in voorspellende modellen, met behulp van semantische webtechnologieën, omde leersnelheid en het generalisatievermogen verbeteren, wat leidt tot een hogere voorspellingprestatie2) Verbetering van de begrijpelijkheid van white-box ensembles door de verschillende modellen te combineren in eenenkelvoudig, interpreteerbaar model met verbeterde voorspellende prestaties vergeleken met de modellenindividueel3) Efficiënte extractie van interpreteerbare functies met een hoog onderscheidend vermogen van longitudinalegegevens om traceerbaar te zijn in een big data-omgeving4) Ontwerp van voorgesteld platform en nieuw gerealiseerde algoritmen die voldoen aan big data-raamwerkenom hoge prestaties en schaalbaarheid te garanderen
|
|---|
| Description en | The goal of this research is to create a performant and comprehensible decision support systemfor longitudinal big data, making it applicable in critical domains, wherein wrong decisions madecan have significant repercussions, such as electronic healthcare and telecommunications.In order to create such a platform, an architecture and algorithms will be designed that can (i)process the vast amount of longitudinal data efficiently, (ii) construct an ensemble of white-boxmodels using observational data & prior knowledge and (iii) translate this ensemble into a singleinterpretable model in order to provide decision support for experts. To create such a platform,challenges concerning the following topics will be tackled:1) Incorporating prior knowledge in predictive models, using Semantic Web technologies, toimprove learning speed and the generalization capability, leading to a higher predictionperformance2) Improving comprehensibility of white-box ensembles by combining the different models into asingle, interpretable model with an enhanced predictive performance compared to the modelsindividually3) Efficient extraction of interpretable features with high discriminative power from longitudinaldata in order to be tractable in a big data setting4) Design of proposed platform and newly realized algorithms compliant with big data frameworksto ensure high performance and scalability
|
|---|
| Qualifiers | - Big data - Decision Support Systems - Interpretable predictive models - interpreteerbare voorspellende modellen - |
|---|
| Personal | De Turck Filip, Vandewiele Gilles, Ongenae Femke |
|---|
| Collaborations | |
|---|
