Onderzoeksgroep

Expertise

De ontwikkeling en toepassing van machine learning technieken voor (voornamelijk) financiële, actuariële en economische data. Het ontwikkelen en gebruiken van robuuste statistiek om uitschieters te detecteren. Tim Verdonck is chair holder van de BNP Paribas Fortis leerstoel in Fraud Analytics, de Allianz-leerstoel in Prescriptive Analytics in Insurance en de BASF-leerstoel voor Robust Predictive Analytics.

BrailSports. 01/05/2023 - 30/04/2024

Abstract

In deze IOF POC willen we expertise in sportwetenschappen en machine learning samenbrengen om intelligente hulpmiddelen te ontwikkelen voor het coachen van duursporten. Deze hulpmiddelen helpen de coach bij het bepalen van het fitnessniveau van de atleten en geven vroegtijdige waarschuwingen voor mogelijke afwijkingen in de fysiologische gegevens. Door gebruik te maken van de kracht van machine learning hopen we een efficiënter en effectiever coaching proces te creëren dat atleten kan helpen hun volledige potentieel te benutten. Door sportwetenschappelijke kennis te integreren, streven we er bovendien naar ervoor te zorgen dat de hulpmiddelen die we ontwikkelen gebaseerd zijn op het nieuwste onderzoek en inzicht in hoe het lichaam reageert op duurtraining.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Robuust leren van gerichte acyclische grafen voor causale modellering. 01/11/2022 - 31/10/2024

Abstract

Door technologische vooruitgang is de beschikbare hoeveelheid data het afgelopen decennium exponentieel toegenomen. Het vakgebied data science (DS) heeft deze groei gevolgd omdat het een onmisbare tool is voor het vertalen van data naar inzicht en kennis. Waar DS zich traditioneel bezighield met leerassociaties in data, is het de laatste tijd duidelijk geworden dat causale verbanden vaak een dieper begrip van de data en een sterkere tool in veel praktische toepassingen opleveren. Een van de gevestigde technieken voor causale modellering is het gebruik van gerichte acyclische grafen (GAG) om causale relaties voor te stellen. Deze GAGs moeten geleerd worden op basis van geobserveerde data. Veel van de SOTA technieken voor het leren van dergelijke GAGs zijn erg gevoelig voor anomalieën en leveren onbetrouwbare resultaten op in hun aanwezigheid. We streven ernaar om methoden te ontwikkelen voor het leren van GAGs die efficiënt en betrouwbaar blijven indien uitschieters aanwezig zijn in de gegevens. Het project begint met het bouwen van een solide basis voor de concepten robuustheid in causale modellering. Voortbouwend op deze grondslagen, zullen we vervolgens overgaan tot het bouwen van een algemene robuuste modelleringsmethodologie. Het project bevat drie complementaire benaderingen voor het ontwikkelen van robuuste methodes voor het leren van GAGs. De ontwikkelingen zullen zowel theoretisch als empirisch geëvalueerd worden en onderworpen aan testen op reëele casussen.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

StatUA. 01/01/2022 - 31/12/2026

Abstract

StatUa wordt sinds 2009 als kernfaciliteit erkend en gefinancierd door de UAntwerpen, met als opdracht het ondersteunen van wetenschappelijk onderzoek via statistische en methodologische assistentie aan onderzoekers. Deze erkenning werd twee maal verlengd na positieve evaluaties: in 2011 voor de periode 2012-2016 en in 2016, voor de periode 2017-2021. In bijna alle domeinen van de wetenschap wordt een optimale methodologie en correcte dataanalyse alsmaar belangrijker. Sinds de erkenning heeft StatUa onderzoekers bijgestaan van alle faculteiten van de UAntwerpen. Deze samenwerkingen hebben geresulteerd in meer dan 200 coauteurschappen in internationaal gerefereerde (A1) tijdschriften. Bovendien ligt het aantal projecten waaraan StatUa in werkelijkheid heeft bijgedragen veel hoger. Naast individuele ondersteuning van onderzoekers, werkt StatUa nauw samen met de Antwerp Doctoral School voor het onderwijzen van methodologie en statistiek aan doctoraatsstudenten en postdocs. Hiervoor worden jaarlijks een tiental cursussen ingericht. Doorheen de jaren is StatUa binnen UAntwerpen en bekend aanspreekpunt geworden voor onderzoekers et statistische en methodologische vragen. Het doel van deze aanvraag is het hernieuwen van de erkenning van StatUa als kernfaciliteit, zodat de statistische en methodologische ondersteuning van onderzoekers kan verdergezet worden.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IMEC-Super Bio-versnelde Mineraalverwering: een nieuwe reactortechnologie voor klimaatmitigatie (BAM). 01/09/2021 - 31/08/2025

Abstract

Conventionele klimaatmitigatie alleen zal niet in staat zijn de atmosferische CO2-concentraties te stabiliseren op een niveau dat compatibel is met de opwarmingslimiet van 2°C van het Akkoord van Parijs. Veilige en schaalbare negatieve-emissietechnologieën (NET's), die actief CO2 uit de atmosfeer verwijderen en koolstof (C) op lange termijn vastleggen, zullen nodig zijn. Snelle vooruitgang bij de ontwikkeling van NET's is nodig, om deze technologieen op grote schaal te kunnen inzetten en de overschrijding van omslagpunten in het aardse systeem te kunnen voorkomen. Toch zijn er nog geen NET's klaar om op een duurzame, energie-efficiënte en kosteneffectieve manier grote hoeveelheden CO2 uit de atmosfeer te halen . BAM! ontwikkelt 'super bio-versnelde mineraalverwering' als een radicale, innovatieve oplossing voor de NET-uitdaging. Hoewel versnelde silicaatverwering (ESW) eerder naar voren werd geschoven als een potentiële NET, is de huidige onderzoeksfocus op 1/ ex natura carbonatatie of 2/ langzame in natura ESW, gelimiteerd in zijn mogelijkheden. BAM! concentreert zich op een ongeëvenaarde reactortoepassing om de biotische verweringsstimulatie te maximaliseren met een lage input van hulpbronnen, en de implementatie van een geautomatiseerd, snel lerend proces dat het mogelijk maakt kritische doorbraken op het gebied van verweringsgraad snel aan te nemen en te verbeteren. De ambitie is om een NET te ontwikkelen dat kan ingezet worden tegen klimaatrisico's op de korte termijn (binnen 10-20 jaar). BAM! bouwt voort op de natuurlijke processen die hebben geleid tot sterke veranderingen in natuurlijke silicaatverwering en verankert deze in een nieuwe reactortechnologie. Het ambitieuze doel is de ontwikkeling van een onmisbare oplossing voor klimaatmitigatie.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Datagedreven afwijkingdetectie en cashflow-voorspelling voor accountants. 01/09/2020 - 31/08/2024

Abstract

Net zoals vele industrieën, wordt ook de accountancysector vandaag geconfronteerd met een disruptieve digitalisatie. Deze digitalisatie zorgt ervoor dat er van accountants steeds meer proactieve dienstverlening wordt verwacht, waar vroeger de focus eerder op uitvoerend en compliance gerelateerd werk lag. Met ons project willen we accountants helpen bij het vervullen van deze nieuwe verwachtingen. Door het toepassen van geavanceerde statistische methodes en machine learning technieken, willen we in dit project sterk inzetten op volgende twee onderzoekstopics. In de eerste plaats willen we verschillende methodes testen en ontwikkelen om afwijkende waarden in boekhoud data te ontdekken. Dit helpt de accountant bij het automatiseren van standaard checks, maar ook om eventuele opportuniteiten te ontdekken. Ten tweede willen we robuuste en interpreteerbare cashflow voorspellingsmodellen testen en ontwikkelen. Voor beide gebieden zijn we er van overtuigd dat er nog steeds een enorm potentieel is om toegevoegde waarde te creëren voor de accountant. De samenwerking tussen Boltzmann biedt de ideale context voor dit project door de aanwezigheid van een rijke, steeds groeiende dataset, gecombineerd met professionele expertise op verschillende gebieden binnen het omkaderende project team.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IMEC-AI4FoodLogistics. 01/04/2021 - 31/03/2023

Abstract

Het project is gericht op (i) een nieuw, virtueel en gedistribueerd data-ecosysteem voor voedselbezorging aan fysieke winkels dat hyperresponsief en efficiënt wordt dankzij (ii) nauwkeurigere prognose- en personalisatiemodellen die gebruik maken van verbeterde AI- en planningstechnologieën om (iii) de optimalisatie van de end-to-end logistiek van boeren tot distributiecentra (DC's) tot winkels en klanten.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

Robuuste en sparse methoden om het gemiddelde en het dispersiegedrag in gegeneraliseerde lineaire modellen te modelleren. 01/10/2019 - 30/09/2023

Abstract

Het gegeneraliseerde lineaire model (GLM) is een erg populaire en flexibele klasse van regressiemodellen die gewone lineaire regressie generaliseren door bijvoorbeeld niet-normale responsvariabelen toe te staan. Logistische regressie, die veel wordt gebruikt voor binaire classificatie, en Poisson-regressie, vaak gebruikt om telgegevens te modelleren, behoren beide tot deze klasse. De parameters worden meestal geschat via maximum likelihood, maar dit leidt vaak tot verschillende problemen bij het analyseren van echte gegevens uit de praktijk. Ten eerste kunnen uitschieters in de gegevens de klassieke methoden sterk beïnvloeden, wat onbetrouwbare resultaten oplevert. Ten tweede wordt inschatten en interpreteren erg moeilijk of onmogelijk wanneer het aantal variabelen erg hoog wordt. Ten derde vertonen echte gegevens vaak een meer complex verspreidingsgedrag dan verwacht in het GLM-model. Om deze problemen op te lossen, zullen sparse en robuuste schattingsmethoden worden ontwikkeld die gelijktijdig het gemiddelde en het dispersiegedrag in de context van GLMs modelleren. Hun wiskundige eigenschappen zullen grondig worden onderzocht. De nieuw voorgestelde methoden moeten ook computationeel efficiënt zijn, zodat moderne grote datasets gemakkelijk kunnen worden geanalyseerd. Open-access gebruiksvriendelijke software zal worden verstrekt.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject

IMEC-Een blik op de Arctische toekomst: een uniek natuurlijk experiment wordt uitgerust voor de nieuwe generatie van ecosysteemonderzoek (FutureArctic). 01/06/2019 - 31/05/2022

Abstract

Klimaatverandering zal de Arctische ecosystemen meer treffen dan elk ander ecosysteem, met verwachte temperatuurstijgingen tot 4-6°C. Terwijl dit bedreigend is voor de integriteit en biodiversiteit van de ecosystemen, is de grotere ecosysteem feedback, veroorzaakt door deze verandering, nog zorgwekkender. Gedurende miljoenen jaren werd atmosferische koolstof opgeslagen in de Arctische bodem. Met de opwarming kan deze koolstof snel ontsnappen uit de bodem in de vorm van CO2 of (nog erger) de sterke broeikas-agent CH4. Ondanks tientallen jaren van onderzoek worstelen wetenschappers nog steeds met het identificeren van de schaal van deze koolstofuitwisseling en vooral wat de wisselwerking zal zijn met de klimaatverandering. Een overkoepelende vraag blijft: hoeveel koolstof zal potentieel ontsnappen in het Noordpoolgebied in het toekomstige klimaat en hoe zal dit de klimaatverandering beïnvloeden? FutureArctic verbindt deze onderzoeksuitdaging rechtstreeks met een intersectoraal trainingsinitiatief voor beginnende onderzoekers, dat zich erop richt "ecosystem-of-things"wetenschappers en -ingenieurs te vormen op de ForHot site. The FORHOT site in IJsland biedt een geothermisch gecontroleerde verwarmingsgradiënt van de bodemtemperatuur om te bestuderen hoe Arctische ecosysteemprocessen beïnvloed worden door temperatuurstijgingen zoals verwacht bij klimaatverandering.

Onderzoeker(s)

Onderzoeksgroep(en)

Project type(s)

  • Onderzoeksproject