Kutatásaink négy fő téma köré összpontosulnak: hálózattudomány, oktatási adattudomány, egészségügyi adatelemzés és intelligens monitorozás & anomáliadetektálás.
Hálózattudomány
Hálózattudományi kutatásaink kiterjednek mind módszertani alapkutatásra, mind alkalmazott kutatásra. Legfőbb kutatási témáink közé tartozik a komplex hálózatok strukturális tulajdonságainak vizsgálata, különös tekintettel a hálózatok fraktál tulajdonságára és hálózatok robosztusságára, komplex hálózatok adat alapú vizsgálata, hálózatmodellek illeszthetősége, gráfbeágyazási módszerek, szociális hálózatok elemzése, különös tekintettel a társszerzői hálózatok elemzésére.
Az adattudomány egyik ága az oktatási adattudomány, melynek célja a nagy mennyiségű oktatási adatkincsben rejlő érdekes és értékes információk kinyerése különféle matematikai (elsősorban statisztikai és gépi tanulási) algoritmusok segítségével. Célunk, hogy a Központi Tanulmányi Hivatal együttműködésében a Budapesti Műszaki és Gazdaságtudományi Egyetem Neptun tanulmányi rendszeréből származó nagy adatkincsből matematikailag korrekt eszközök felhasználásával oktatáspolitikai, oktatásszervezési szempontokból releváns következtetéseket tudjunk levonni. Kutatási területünk közé tartozik a lemorzsolódó hallgatók azonosítása prediktív analitikai eszközökkel, az értelmezhető gépi tanulás, a prediktív validság vizsgálata, az egyetemi teljesítményre ható különböző faktorok azonosítása és a hatás kvantifikálása statisztikai és ökonometriai eszközökkel.
Elkötelezettek vagyunk az adattudományi és hálózattudományi módszerek orvostudományi alkalmazása iránt is. Döntéstámogató rendszereket fejlesztünk, mely a betegfelvétel pillanatában a rendelkezésre álló adatok alapján végzett predikcióval segít az orvosnak a megfelelő döntés meghozatalában.
Intelligens monitorozás, állapotelőrejelzés és anomáliadetektálás
Kutatásaink egyik fontos iránya a nagy dimenziós, nagy frekvenciájú adatok intelligens monitorozása és komplex rendszerek prediktív karbantartása, különösen az anomáliadetektálás köré összpontosul. Olyan kopula alapú anomáliadetektáló és -lokalizáló algoritmust fejlesztettünk, ami nagy dimenziós hiányos adatokon is jól működik.