Mulugeta Weldezgina Asres har vært knyttet til ph.d.-programmet ved Teknologi og realfag, med spesialisering i IKT, fagområde Artifical Intelligence.
- Prøveforelesning starter kl. 10.15
- Disputas starter kl. 12.15
Tema for prøveforelesningen: “Ethical considerations related to AI-based automated decisions in research and in society”
Disputasleder: Morgan Konnestad, Institutt for IKT.
Evalueringskomite:
- Førsteopponent Dr. Mustafa Mustafa, Waymo Research, California
- Andreopponent førsteamanuensis Therese Sjursen, Høgskolen på Vestlandet (HVL) – måtte trekke seg i siste fase av evalueringsarbeidet. Erstattet av settemedlem James Richard Catmore, UiO, som vil delta på disputasen som andreopponent.
- Komiteadministrator: Professor Lei Jiao, UiA
Veiledere i doktorgradsarbeidet:
- Hovedveileder: Christian Omlin, Institutt for IKT
Sammendrag
Maskinlæringsverktøy (ML) har fått enorm popularitet på grunn av spredning av sensordata for overvåking, prognostiske og diagnostiske applikasjoner i ulike industrielle domener. Den økende systemkompleksiteten og overvåkingen av datamengdene til Large Hadron Collider (LHC) ved CERN understreker behovet for automatisering gjennom avanserte maskinlæringsverktøy. Deteksjon, identifisering og oppløsning av uregelmessigheter er avgjørende for å generere flere fysiske kollisjonsdata av høyeste kvalitet. Utvikling av maskinlæringsverktøy for komplekse systemer innebærer ofte kostbar datakurering og modellering. Det krever tilstrekkelige, rensede og kommenterte datasett, og adresserer utfordringene med heterogenitet og forbannelse av dimensjonalitet av store datasett.
Compact Muon Solenoid (CMS) eksperimentet – en av de store generelle kolliderne ved LHC – har dedikert betydelig overvåkingsinnsats for detektorsystemer og partikkeldatakvalitet; kontroll- og sikkerhetssystemene (DCS/DSS) overvåker aktivt sikkerhetskritiske problemer, og datakvalitetsovervåkingssystemet (DQM) reduserer datatap ved å identifisere og diagnostisere fysikkdataproblemer. De eksisterende overvåkingssystemene må inkludere et bredt spekter av overvåkingsvariabler og tilpasse seg de utviklende forholdene til detektorene. Denne avhandlingen fokuserer på utvikling av uovervåket anomalideteksjon (AD), anomalidediksjon (AP) og rotårsaksanalyse (RCA) på multivariate tidsseriedatasett. Vi har utviklet dype læringsmodeller for frontend-elektronikk av Hadron Calorimeter (HCAL) av CMS detektoren ved hjelp av diagnostiske sensorer og høydimensjonale partikkelinnsamlingskanalovervåkingsdatasett. Vi har brukt delsystem-granularitetsmodellering ved hjelp av en splitt-og-hersk-tilnærming for å overvåke de komplekse HCAL-systemene med tusenvis av sensorer. Våre overvåkingsverktøy har oppdaget og identifisert tidligere ukjente uregelmessigheter som er vanskelige å overvåke, og utvidet overvåking, diagnostikk og prognoseautomatisering av HCAL. De utviklede verktøyene er distribuert på CERN og gir for tiden viktig sanntids og offline avviksovervåking og diagnostikk på frontend-elektronikken til HCAL og online DQM-systemet.
Vårt vitenskapelige bidrag til å takle utfordringene for kompleks systemovervåking inkluderer: 1) forbedring av multivariat sensor AD, 2) en lovende AP-tilnærming, 3) kontekstbevisst høydimensjonal romlig-temporal AD, 4) overføringslæring på multi-nettverk dype læringsmodeller, 5) lett sammenkobling og divergensoppdagelse for multisystemer med multivariate sensorer, og 6) forbedring av beregningseffektiviteten av anomalies kausalitetsoppdagelse på binære anomalidata.
Slik følger du disputasen digitalt
Disputasen er åpen for alle. Meld deg på via denne Zoom-lenken.
Du logger deg på tidligst 10 minutter før oppgitt tid. Etter dette kan du når som helst forlate og komme inn igjen i disputasen.
Opponent ex auditorio:
Tidsfrist for å stille spørsmål er senest i løpet av pausen mellom opponentene. Spørsmål ex auditorio fra publikum kan sendes til Emma Horneman.
Kontaktperson
- E-post
- kristine.reinfjord@uia.no
- Telefon
- +47 37 23 30 14