Onderzoeksgroep

ADReM Data Lab (ADReM)

Expertise

Zie Engelstalige beschrijving.

Digitalisatie en belastingen 03/07/2019 - 31/12/2024

Abstract

De digitale transformatie heeft wijzigingen veroorzaakt in alle onderdelen van het dagelijks leven. In het DigiTax project worden de fiscale gevolgen onderzocht van deze evolutie vanuit twee perspectieven. Vooreerst worden de uitdagingen onderzocht die de digitalisatie met zich mee brengt voor de fiscaliteit. In de digitale economie hebben multinationals meer mogelijkheden om winsten te verschuiven naar landen met een lage belasting. Waar moeten deze winsten worden belast? Daarnaast dringen robots meer en meer binnen in de arbeidsmarkt, gaande van automatisch rijdende auto's tot chatbots. Moeten zij worden beschouwd als apart belastbare entiteiten, en zo ja, hoe moet deze taxatie dan gebeuren? Meer algemeen zal worden onderzocht (a) welk belastingstelsels er onder druk komen te staan, (b) welke traditionele fiscale concepten moeten worden gewijzigd en welke nieuwe fiscale concepten moeten worden ontwikkeld die bijdragen tot een eerlijke belastingheffing, (c) wie hiertoe bevoegd is en (d) hoe deze wijziging moet worden geïmplementeerd ? Daarnaast onderzoeken we de opportuniteiten die ontstaan door de digitalisatie voor zowel een rechtvaardige belastingheffing als voor de effectiviteit en de efficiëntie van de belastingoverheden. Hoe kunnen bijvoorbeeld verbeterde data mining algoritmes en het toevoegen van nieuwe gegevensbronnen bijdragen tot een meer nauwkeurig, begrijpelijk en niet-discriminatoir fraudedetectiesysteem dat de belastingontduiking of - ontwijking tot een minimum reduceert? Hoe kan blockchain technologie bijdragen tot transparantie, tax compliance en vertrouwen tussen de overheid en de belastingbetaler? In dat kader zullen meer in het bijzonder de opportuniteiten worden onderzocht van data mining, internet of things (IoT) en blockchain technologie voor de fiscaliteit. Dit project vereist een multidisciplinaire benadering, waarbij de technologische, juridische, economische en maatschappelijke implicaties worden onderzocht van digitalisatie en belastingheffing.

Onderzoeker(s)

Onderzoeksgroep(en)

Project website

Het ontdekken en exploiteren van interactie patronen in netwerken. 01/01/2018 - 31/12/2021

Abstract

De meeste werken in netwerk analyse concentreren zich op statische graafstructuren en zoeken naar patronen om bijvoorbeeld de meest invloedrijke nodes in het netwerk te vinden. Weinig bestaande werken bestuderen dynamische netwerken met herhaalde interacties tussen nodes. Het doel van dit project is om deze lacune weg te werken door nieuwe methoden te ontwikkelen om patronen te ontdekken in de interacties tussen netwerk nodes. Deze interactie patronen kunnen bijvoorbeeld karakteriseren hoe informatie zich verspreidt in sociale netwerken, of geldstromen in financiële netwerken in kaart brengen. In het project beschouwen we drie orthogonale dimensies. De eerste dimensie is het patroon type. We beschouwen onder andere temporele paden, informatie cascades en cycles. Om een gemotiveerde keuze te maken betreffende patroontype om te bestuderen, laten we ons leiden door drie cases: twee interactie netwerken met betaaldata, een met een marketing doel en een ander om betalingsproblemen bij leningen te voorspellen, en een sociaal netwerk met een toepassing in micro-financiering. De tweede dimensie betreft hoe we het patroon type gaan zoeken: is het de bedoeling alle voorkomens van een bepaald patroontype te vinden, of zoeken we top-patronen die vaker voorkomen dan andere. De derde en laatste dimensie betreft het computationele model dat we gebruiken: batch met random access, one-pass, of streaming. Het is belangrijk dat de methodes schaalbaar zijn en kunnen werken met data van grote interactie netwerken. De belangrijkste bijdrage van dit project ligt in de combinatie van streaming technieken, pattern mining en sociaal netwerk analyse, gevalideerd in drie echte use cases.

Onderzoeker(s)

Onderzoeksgroep(en)

Vlaams AI programma 01/07/2019 - 31/12/2020

Abstract

Het Vlaams AI-onderzoeksprogramma heeft als doel om het strategisch basis onderzoek omtrent AI aan de Vlaamse universiteiten en kenniscentrums te stimuleren. Dit onderzoek moet toepasbaar en relevant zijn voor de Vlaamse industrie. Concreet werden er 4 grote uitdagingen, met toenemende complexiteit, gedefinieerd: 1. Het ondersteunen van complexe beslissingen: focus op het nemen van complexe beslissingen door AI-systemen gebaseerd op datasets die mogelijks onvolledige of foutieve informatie kunnen bevatten. 2. Het verzamelen en verwerken van informatie in de edge: focus op het gebruik van AI-systemen in de egde i.p.v. de cloud door de integratie van software en hardware en de ontwikkeling van algoritmen die minder energie en andere hulpbronnen nodig hebben. 3. De autonome interactie met andere beslissingsentiteiten: focus op samenwerking tussen verschillende AI-systemen die onafhankelijk van elkaar opereren. 4. Het naadloos communiceren en samenwerken met mensen: focus op de natuurlijke interactie tussen mensen en AI-systemen en de ontwikkeling van AI-systemen die complexe omgevingen kunnen begrijpen en menselijke redeneringen kunnen toepassen.

Onderzoeker(s)

Onderzoeksgroep(en)

Fundamenten van inductieve databases voor data mining. 01/01/2006 - 31/12/2009

Abstract

Het project beoogt de ontwikkeling van een inductief database systeem voor de ondersteuning van het iteratieve data mining proces. Bij de realisatie van dit project identificeren we volgende stappen : 1) De ontwikkeling van een adequate theorie voor data mining in de vorm van een representatietaal om zowel data als inductief verkregen kennis op te slaan. Hierbij willen we focussen op eerste-orde logica fragmenten (bvb. conjunctive queries); 2) Het inpassen van bestaande data mining patroon types in dit model, zoals associatie regels, klassificatie, clustering; 3) Het ontwerpen van efficiënte implementaties van de voorgestelde modellen. Hierbij dient onder andere nagegaan te worden in hoeverre bestaande optimalisatietechnieken voor specifieke data mining probelemen en relationele databases veralgemeend kunnen worden naar inductieve databases.

Onderzoeker(s)

Onderzoeksgroep(en)

Volledige en heuristische methodes voor het garanderen van privacy in data mining. 01/01/2005 - 31/12/2007

Abstract

Data Mining heeft tot doel uit grote hoeveelheden gegevens nuttige informatie zoals trends en patronen te destilleren. Vaak bevatten de data waarop data mining technieken worden toegepast confidentiële persoonlijke gegevens. Het is daarom belangrijk om na te gaan in welke mate het toepassen van data mining technieken de privacy schendt. In dit project willen we methodes ontwikkelen om in te schatten in welke mate een bepaalde data mining operatie de privacy van de gegevens schendt. Omdat volledige methodes waarschijnlijk heel hoge complexiteit hebben, zal er ook aandacht besteed worden aan benaderende, heuristische methodes.

Onderzoeker(s)

Onderzoeksgroep(en)

Database ondersteuning voor interactieve data mining. 01/10/2003 - 30/09/2006

Abstract

Dit project heeft als doel de mogelijkheden voor een overkoepelend systeem voor data mining, een zogenaamde data mining database, te onderzoeken. Het ontwerp van een database systeem voor data mining brengt vele fundamentele vragen met zich mee. Hoe representeren we de data? Op welke manier integreren we de verschillende algoritmes in een bevragingstaal? Hoe kunnen we de bevragingen optimaliseren? Een theoretische en fundamentele benadering van deze vragen staat in dit project centraal.

Onderzoeker(s)

Onderzoeksgroep(en)

Data mining : complexiteiten van mining methodes en query talen. 01/10/2001 - 30/09/2003

Abstract

Door recente ontwikkelingen in kennismanagement en hardware zijn grote digitale databases een alledaags feit geworden. De waarde van zulke databases wordt echter niet uitsluitend bepaald door de grootte, maar ook en vooral door de mogelijkheid tot analyse. Datamining is het ontdekken van regels en afhankelijkheden in grote databases. De bedoeling is om structuur in data te vinden en naar boven te brengen, eerder dan in te gaan op de individuele elementen van de data. Het zijn deze meta-data die de informatiewaarde van de database bepalen. Er bestaan reeds belangrijke toepassing van datamining in de bedrijfswereld. De voordelen die een bedrijf kan halen uit de metainformatie is groot. Omdat datamining zich bezig houdt met het meta-niveau van data, zijn parallellen met artificiële intelligentie en knowledge engineering nooit ver weg. In dit opzicht wordt datamining ook wel knowledge discovery in databases genoemd. Datamining is ook zeer sterk verbonden met OLAP (online analytical processing), het analyseren van gegevens. Onderzoek naar datamining technieken startte in de jaren '90 en kende een enorme groei sinds 1995. Regels die in de context van datamining vaak bestudeerd worden, zijn de association rules. Er zijn veel algoritmes bekend voor het vinden van association rules. Het bekendste algoritme hiervoor is het apriori-algoritme. Deze klasse van regels is echter zeer rudimentair. Het zou daarom interessant zijn om meer algemene regels te bestuderen. Een mogelijk beschrijvingssysteem voor deze regels is de eerste orde logica. Over de complexiteit van deze regels is weinig geweten. Er zijn meerdere complexiteitsmaten die bestudeerd kunnen worden : complexiteit in functie van het aantal tuples, het aantal attributen of de lengte van de regels. Een interessant probleem zou dan zijn om deze regels te classificeren via hun complexiteiten. Het onderzoek kan zich daarna kunnen toespitsen op de patronen waarvoor er datamining algoritmes bestaan met aanvaardbare complexiteit. In mijn eindverhandeling wordt het zoeken naar een algemenere soort regels bestudeerd. Een ander aspect van datamining is het volgende: hoe kunnen we een gebruiker van database- en OLAP-systemen in staat stellen optimaal gebruik te maken van de mogelijkheden die datamining biedt? Hiervoor dienen er query-talen ontworpen te worden, die expressief zijn en die de gebruikers in staat stellen om op een eenvoudige manier hun vragen te formuleren. Ook kan er gekeken worden in welke mate het begrip genericiteit nog van toepassing is op datamining-queries. Generische queries zijn queries die onafhankelijk zijn van gekozen referentiekader en datastructuur. Bij datamining echter zijn veel van de methodes sterk afhankelijk van de fysische vorm van de data. Datamining is een gebied waarop momenteel hard gewerkt wordt. In de UIA (Universitaire Instelling Antwerpen) loopt er momenteel een project van het FWO over datamining. Het voorgestelde project sluit hierbij aan. Het begrijpen van de theoretische grondslagen van datamining is belangrijk. Waar het huidige onderzoek meestal eerder ad hoc en met weinig theoretische onderbouw gebeurt, heeft dit project als doel het theoretische inzicht in datamining te vergroten.

Onderzoeker(s)

Onderzoeksgroep(en)

    Data mining : complexiteiten van mining methodes en query talen. 01/10/1999 - 30/09/2001

    Abstract

    Door recente ontwikkelingen in kennismanagement en hardware zijn grote digitale databases een alledaags feit geworden. De waarde van zulke databases wordt echter niet uitsluitend bepaald door de grootte, maar ook en vooral door de mogelijkheid tot analyse. Datamining is het ontdekken van regels en afhankelijkheden in grote databases. De bedoeling is om structuur in data te vinden en naar boven te brengen, eerder dan in te gaan op de individuele elementen van de data. Het zijn deze meta-data die de informatiewaarde van de database bepalen. Er bestaan reeds belangrijke toepassing van datamining in de bedrijfswereld. De voordelen die een bedrijf kan halen uit de metainformatie is groot. Omdat datamining zich bezig houdt met het meta-niveau van data, zijn parallellen met artificiële intelligentie en knowledge engineering nooit ver weg. In dit opzicht wordt datamining ook wel knowledge discovery in databases genoemd. Datamining is ook zeer sterk verbonden met OLAP (online analytical processing), het analyseren van gegevens. Onderzoek naar datamining technieken startte in de jaren '90 en kende een enorme groei sinds 1995. Regels die in de context van datamining vaak bestudeerd worden, zijn de association rules. Er zijn veel algoritmes bekend voor het vinden van association rules. Het bekendste algoritme hiervoor is het apriori-algoritme. Deze klasse van regels is echter zeer rudimentair. Het zou daarom interessant zijn om meer algemene regels te bestuderen. Een mogelijk beschrijvingssysteem voor deze regels is de eerste orde logica. Over de complexiteit van deze regels is weinig geweten. Er zijn meerdere complexiteitsmaten die bestudeerd kunnen worden : complexiteit in functie van het aantal tuples, het aantal attributen of de lengte van de regels. Een interessant probleem zou dan zijn om deze regels te classificeren via hun complexiteiten. Het onderzoek kan zich daarna kunnen toespitsen op de patronen waarvoor er datamining algoritmes bestaan met aanvaardbare complexiteit. In mijn eindverhandeling wordt het zoeken naar een algemenere soort regels bestudeerd. Een ander aspect van datamining is het volgende: hoe kunnen we een gebruiker van database- en OLAP-systemen in staat stellen optimaal gebruik te maken van de mogelijkheden die datamining biedt? Hiervoor dienen er query-talen ontworpen te worden, die expressief zijn en die de gebruikers in staat stellen om op een eenvoudige manier hun vragen te formuleren. Ook kan er gekeken worden in welke mate het begrip genericiteit nog van toepassing is op datamining-queries. Generische queries zijn queries die onafhankelijk zijn van gekozen referentiekader en datastructuur. Bij datamining echter zijn veel van de methodes sterk afhankelijk van de fysische vorm van de data. Datamining is een gebied waarop momenteel hard gewerkt wordt. In de UIA (Universitaire Instelling Antwerpen) loopt er momenteel een project van het FWO over datamining. Het voorgestelde project sluit hierbij aan. Het begrijpen van de theoretische grondslagen van datamining is belangrijk. Waar het huidige onderzoek meestal eerder ad hoc en met weinig theoretische onderbouw gebeurt, heeft dit project als doel het theoretische inzicht in datamining te vergroten.

    Onderzoeker(s)

    Onderzoeksgroep(en)