David Eklund

David forskar inom tillämpad artificiell intelligens.

David är disputerad i matematik och Civilingenjör i teknisk fysik. Genom åren har David forskat inom tillämpad algebra, geometri och maskininlärning. Han har också erfarenhet från användning av formella metoder inom industrin med fokus på säkerhet för spårburen trafik. Den senaste tiden har David arbetat med AI-projekt inom processkemi, cybersäkerhet och affärsanalys.

Övrig expertis:

• Hybridmodellering: maskininlärning kombineras med fysikaliska modeller. Det är användbart när mekanismerna bakom det fenomen som skall modelleras endast är delvis kända, vilket är vanligt exempelvis inom processkemi. En hybridmodell kan tränas på mindre datamängder än en rent statistisk modell eftersom kända egenskaper såsom fysikaliska konservingslagar byggs in i modellen.
• Distribuerad maskininlärning: för att bevara dataintegritet kan maskininlärningsalgoritmer tränas lokalt hos dataägaren utan att denne delar med sig av sin privata datamängd. De lokala modellerna kan sedan kombineras med federerad maskininlärning till en global modell. På så vis kan kunskap delas mellan individer eller organisationer utan att dessa behöver ha tillgång till varandras data. Dessa tekniker är exempelvis användbara i samband med cybersäkerhet där olika parter besitter skiftande erfarenhet av cyberattacker men vill behålla sin datamängd privat. För att säkerställa att privat information inte kan extraheras från de lokala modeller som kommuniceras över nätverket kan dessa skyddas med en homomorfisk (strukturbevarande) krypteringsalgoritm.