0
Hopp til hovedinnhold

Online maskin-læring for grafisk mønstergjenkjenning i flere tidsserier

Bakht Zaman of the Faculty of Engineering and Science at the University of Agder has submitted his thesis entitled “Online Machine Learning for Graph Topology Identification from Multiple Time Series“ and will defend the thesis for the PhD-degree Thursday 29 October 2020. (Photo: Private

In this PhD Dissertation, we address the challenges of streaming data, time-varying models, and missing data by proposing different online algorithms under the framework of online machine learning.

Bakht Zaman

Ph.d.-kandidat

Disputasen foregår digitalt på internett på grunn av korona covid-19-situasjonen. Se nederst på siden for hvordan publikum kan overvære disputasen.

 

Bakht Zaman fra Fakultet for teknologi og realfag disputerer for ph.d.-graden med avhandlingen «Online Machine Learning for Graph Topology Identification from Multiple Time Series» torsdag 29. oktober 2020.

Han har fulgt doktorgradsprogrammet ved Fakultet for teknologi og realfag, med spesialisering i informasjons- og kommunikasjonsteknologi (IKT). Doktorgradsarbeidet er finansiert av Norges forskningsråd ved PETROMAKS Smart-Rig grant 244205, se også Petromaks 2 - Large-scale Programme for Petroleum Research.

Slik oppsummerer Bakht Zaman avhandlingen:

Online Machine Learning for Graph Topology Identification from Multiple Time Series

Multi-dimensional time series data are observed in many real-world systems, where some of the time series are influenced by other time series.

Identifying these relations encoded in a graph structure or topology among the time series is of paramount interest in certain applications. The inferred topology can provide insights about the underlying system and can assist in inference tasks such as prediction and anomaly detection.

Challenges in time series data

A major challenge in topology identification is that the assumption of static topology does not hold always in practice since most of the practical systems are evolving with time.

Another challenge is that the data is not available at once - it is coming in a streaming fashion. Hence, batch methods are not applicable due to their computationally complexity.

Moreover, time series data can contain missing values due to faulty sensors, privacy and security reasons, or due to saving energy.

Challenges addressed and dealt with

In this PhD Dissertation, we address the challenges of streaming data, time-varying models, and missing data by proposing different online algorithms under the framework of online machine learning.

The proposed algorithms can deal with streaming data, are computational and memory efficient, and can track the (possibly) time-varying topologies.

To evaluate the performance of the proposed online algorithms, convergence guarantees are derived.

Furthermore, numerical results based on synthetic and real data, which corroborate with the theoretical analysis, are presented and discussed in this dissertation.

 

Disputasfakta: 

Prøveforelesning og disputas finner sted digitalt på internett i konferanseprogrammet Zoom (lenke under).

Disputasen blir ledet av instituttleder Folke Haugland, Institutt for IKT, Fakultet for teknologi og realfag, Universitetet i Agder. 

Prøveforelesning kl 15:15

Disputas kl 17:00

 

Oppgitt emne for prøveforelesning"Covariance Estimation: Theory and Applications"

Tittel på avhandling: «Online Machine Learning for Graph Topology Identification from Multiple Time Series»

Søk etter avhandlingen i AURA - Agder University Research Archive, som er et digitalt arkiv for vitenskapelige artikler, avhandlinger og masteroppgaver fra ansatte og studenter ved Universitetet i Agder. AURA blir jevnlig oppdatert.

Avhandlingen er tilgjengelig her:

 

KandidatenBakht Zaman (1990, Mardan, Pakistan) B.S degree in Electronics Engineering fra COMSATS Institute of Information and Technology, Abbottabad, Pakistan (2012), M.S degree fra Faculty of Electrical Engineering, Ghulam Ishaq Khan Institute of Engineering Sciences and Technology, Topi, Pakistan (2015). Han har arbeidet med doktorgradsavhandlingen ved WISENET Center, Institutt for IKT, UiA. 

Opponenter:

Førsteopponent: Professor Antonio Garcia Marques, Universidad Rey Juan Carlos, Spania

Annenopponent: Professor Antonio Ortega, University of Southern California, USA

Bedømmelseskomitéen er ledet av professor Christian Walter Peter Omlin, Institutt for informasjons- og kommunikasjonsteknologi (IKT), Universitetet i Agder

Veiledere i doktorgradsarbeidet var professor Baltasar Beferull-Lozano, UiA (hovedveileder), førsteamanuensis Daniel Romero, UiA og postdoktor Luis Miguel Lopez Ramos, UiA (medveiledere)

 

Slik gjør du som publikum:

Disputasen er åpen for alle, men for å følge prøveforelesning og disputas må du melde deg som publikummer på denne lenken:

https://uiano.zoom.us/meeting/register/u5EqcOGhpjIjGNGCXCOHnhjVQ7wUYhJ2va1w

Du får en Zoom-lenke i retur.

(Her er framgangsmåten for å bruke Zoom: support.zoom.us om du ikke kommer inn ved å klikke på lenken.)

Vi ber publikum om å ankomme digitalt tidligst ti minutter før oppgitt tid - det vil si til prøveforelesningen 15:05 og disputasen tidligst kl 16:50. Etter disse klokkeslettene kan du når som helst forlate og komme inn igjen i møtet. Videre ber vi om at publikum slår av mikrofon og kamera, og har dette avslått under hele arrangementet. Det gjør du nederst til venstre i bildet når du er i Zoom. Vi anbefaler å velge «Speaker view». Dette velger du oppe til høyre i bildet når du er i Zoom.

Opponent ex auditorio:

Disputasleder inviterer til spørsmål ex auditorio i innledningen i disputasen, med tidsfrister. Disputasleders e-post er tilgjengelig i chat-funksjonen under disputasen. Spørsmål om ex auditorio kan sendes til disputasleder Folke Haugland på e-post folke.haugland@uia.no