Anëtari i Inspire Institute, Ylli Sadikaj, ka mbrojtur me sukses disertacionin e doktoratës në Universitetin e Vjenës, në fushën e shkencave kompjuterike.

Anëtari i Inspire Institute, Ylli Sadikaj, ka mbrojtur me sukses disertacionin e doktoratës në Universitetin e Vjenës, në fushën e shkencave kompjuterike.

Punimi i tij i doktoratës, “Joint Multi-modal Representations for Clustering and Anomaly Detection”, i realizuar nën udhëheqjen e Prof. Claudia Plant në grupin hulumtues Data Mining and Machine Learning, trajton një nga sfidat qendrore të inteligjencës artificiale sot: si të nxirren njohuri nga të dhëna komplekse që vijnë nga burime e forma të ndryshme, siç janë grafet me shumë lloje lidhjesh, imazhet apo teksti. Në disertacion janë përmbledhur gjashtë punime të publikuara në konferenca kryesore ndërkombëtare (KDD, WWW, ICDM dhe ICCV), me zbatime që shtrihen nga grafet komplekse dhe komunikimi në qendrat e të dhënave, deri te sistemet e rekomandimit dhe zbulimi vizual i anomalive. Dy prej kontributeve kryesore janë:

1. Përfaqësimi i përbashkët i grafeve multiplex me atribute (network embedding):

Në grafet multiplex, të njëjtat entitete lidhen në mënyra të ndryshme (p.sh. përmes miqësisë, punës ose interesave) dhe secila nyje ka karakteristikat e veta. Ylli ka zhvilluar metoda që i përfaqësojnë (embedding) së bashku nyjet, atributet dhe, kur ka, etiketat e klasave (class-labels) në një hapësirë me pak dimensione:

1. SpectralMix (KDD 2021) bashkon atributet, llojet e marrëdhënieve dhe strukturën e grafeve në një përfaqësim të vetëm, duke mundësuar interpretim të qartë të grupimeve.
2. SSAMN (WWW 2023) shton mbikëqyrjen e pjesshme (semi-supervised): përfaqëson së bashku nyjet, atributet dhe etiketat e klasave, me vetëm pak etiketa për klasë.
3. CJEMN (ICDM 2025) shton të mësuarit kontrastiv: ndërton shembuj negativë nga lidhjet midis nyjeve të klasave të ndryshme, pseudo-etiketon në mënyrë dinamike nyjet pa etiketa dhe përdor mekanizma vëmendjeje (attention) për të vlerësuar rëndësinë e shtresave, nyjeve, atributeve dhe klasave.

2. Zbulimi dhe segmentimi vizual i anomalive:

Në prodhim nuk mjafton të dihet nëse një produkt ka defekt, por edhe çfarë lloji defekti ka (p.sh. i përkulur, i prerë apo i gërvishtur). MultiADS (ICCV 2025) është një qasje zero-shot, pra funksionon pa shembuj vizualë paraprakë të defekteve të reja. Ajo kombinon analizën e imazhit me përshkrime tekstuale të llojeve të defekteve dhe poashtu:

1. gjeneron maska të veçanta për çdo lloj defekti, pra shënon saktësisht ku ndodhet secili,
2. mëson të dallojë llojet e defekteve, dhe
3. identifikon njëkohësisht disa lloje defektesh në të njëjtin produkt.

Një prej punimeve të tij, SpectralMix, është shpërblyer me çmimin “Best Student Paper” në KDD 2021, një nga konferencat kryesore botërore në fushën e data mining dhe shkencës së të dhënave. Ky çmim është një njohje e lartë për cilësinë e hulumtimit të tij. Gjatë doktoratës, Ylli ka zgjeruar punën kërkimore edhe jashtë Universitetit të Vjenës, me një qëndrim kërkimor në University of Michigan, i mbështetur nga Austrian Marshall Plan Foundation, si dhe me një periudhë kërkimore në Bosch Center for AI, qendrën kërkimore të kompanisë Bosch për inteligjencën artificiale, ku kërkimi akademik takohet me sfidat reale të industrisë.

Urime, Dr. Ylli!

#InspireInstitute #AI #Inovacion #Kërkim #Hulumtim