Forskningssjef
Anders Løland
- Avdeling Statistisk modellering og maskinlæring
- Mobiltelefon +47 470 83 894
- Telefonnummer +47 22 85 26 64
- E-post anderslo@nr.stage.dekodes.no
Prosjekter
- Jordobservasjon
- Forklarbar kunstig intelligens
- Digital sikkerhet og personvern
Pålitelig og grønn KI (ENFIELD)
- Statistisk modellering
Innsamlingsgrad i panteordningen
Publikasjoner
- 736 publikasjoner funnet
Eikvil, Line og Løland, Anders. (2026).
Industrielle problemer trenger fortsatt prediktiv kunstig intelligens.
Vis sammendrag
Generativ kunstig intelligens er imponerende, men ikke alltid så nyttig til å løse industrielle problemer.
Løland, Anders; Engebretsen, Solveig og Rognebakke, Hanne. (2026).
Method for estimation of DRS and total collection rate by unit – 2026 update.
NVA
Rapport
Løland, Anders; Engebretsen, Solveig og Rognebakke, Hanne. (2026).
Estimation of DRS collection rate by unit and total collection rate by unit for 2025.
NVA
Rapport
Løland, Anders; Engebretsen, Solveig og Rognebakke, Hanne. (2026).
Beregning av pantegrad og innsamlingsgrad for 2025.
NVA
Rapport
Løland, Anders; Forgaard, Theodor Johannes Line og Salberg, Arnt Børre. (2026).
THOR: Den nye, norske KI-modellen som kan endre hvordan vi overvåker jorda.
NVA
MediaPodcast
Vollestad, John Enok; Holden, Lars og Løland, Anders. (2026).
Personopplysninger i forskningsprosjekter ved Norsk Regnesentral, 2025.
NVA
Rapport
Vis sammendrag
Dette er en oppdatering av notat ADMIN/1/19 der Erik Vasaasen var medforfatter. Hensikten med dette dokumentet er å dokumentere rutinene for behandling av sensitive personopplysninger i NRs forskningsprosjekter i tråd med NRs rutiner for internkontroll. Det sentrale formålet er å fastlegge hvem som er ansvarlig for hva når personopplysninger skal håndteres.
Dokumentet inneholder det som kreves etter Personopplysningsloven, med siste oppdatering i juni 2021 som inkorporerer EUs regelverk GDPR.
Løland, Anders. (2026).
Understanding and using statistics when covering/writing about scientific research. OsloMet
NVA
Faglig foredrag
Rognebakke, Hanne; Løland, Anders og Günther, Clara-Cecilie. (2025).
Estimering av mangel på arbeidskraft: Modell og brukermanual for versjon 2.5.
NVA
Rapport
Løland, Anders; Nordby, Jon; Olsen, Lars Henry Berge og Gjuvsland, Elin Ruhlin. (2025).
Hvordan kan algoritmer varsle om feil før de skjer?
Vis sammendrag
Vi snakker med Jon Nordby ("Head of Data Science" i Soundsensing) og Lars Henry Berge Olsen (forsker på NR): Hvordan utvikler Soundsensing prediktiv feildeteksjon for næringseiendommer? Og hva er egentlig forskjellen på avviksdeteksjon og feildeteksjon? Dette jobber vi med i "EarOnEdge" – som står for "On-Edge Anomaly Detection in Machinery Using Sound as a Data Source".
EarOnEdge er et såkalt Innovasjonsprosjekt i Næringslivet (IPN) og finansiert av Norges forskningsråd. Prosjektet utvikles i direkte samarbeid med brukergruppen med Malling & Co AS som kompetansepartner for drift og forvaltning av bygg. I prosjektet jobber NRs forskere med kompetanse på maskinlæring og statistisk modellering sammen med Soundsensing for å utvikle bedre algoritmer for feildeteksjon for næringseiendommer. EarOnEdge kan bidra til at Soundsensing får et stort internasjonalt marked om noen år.
Sannsynligvis VIKTIG er en serie om KI og digitalisering av Norsk Regnesentral, Anders Løland er programleder, gjesteopptreden av Sigurd Rønning. Produsent: Elin Ruhlin Gjuvsland.
Løland, Anders. (2025).
Kunstig intelligens fra øst og vest. Hønefoss øst Rotaryklubb
NVA
Faglig foredrag
Løland, Anders. (2025).
Kan vi få et finansielt KI-krakk?
NVA
Kronikk
Vis sammendrag
Selv om vi skulle ende opp med super kunstig intelligens, er det ikke gitt at det er noen få selskaper som vil sitte på et slags monopol. Se bare hvor langt Deepseek kom med nokså begrensede ressurser.
Løland, Anders. (2025).
Vi opplevde en akutt krise hvor forskningen vår ble tatt i bruk over natta.
NVA
Kronikk
Vis sammendrag
KRONIKK: Da pandemien stengte ned Norge, tok vi over natta i bruk grunnforskning for å anslå smittespredning. Lærdommen er at fundamentet i kunnskapen vår må bygges systematisk i rolige tider for å være klar til neste krise.
Løland, Anders; Lange, Truls de; Langeland, Ulrik Isdahl; Sandhaug, Maren og Gjuvsland, Elin Ruhlin. (2025).
Sommerjobb på NR: Språkmodeller som lar seg lure, syntetiske ekkoloddata og sosiale roboter for barn med autisme.
Vis sammendrag
Vi møter tre av forskningsassistentene som har sommerjobb på Norsk Regnesentral i 2025: Truls de Lange studerer språkteknologi ved Universitetet i Oslo, Ulrik Isdahl studerer kunstig intelligens ved NTNU og Maren Sandhaug studerer Musikkvitenskap ved Universitetet i Oslo (og har studert informatikk ved NTNU). Vi snakker om hva forskningsassistentene jobber med i sommer, hva de studerer og hva de kanskje vil gjøre når de er ferdige med studiene.
Sannsynligvis VIKTIG er en serie om KI og digitalisering av Norsk Regnesentral, Anders Løland er programleder, gjesteopptreden av Sigurd Rønning. Produsent: Elin Ruhlin Gjuvsland.
Løland, Anders; Østvold, Bjarte M.; Stolpe, Audun og Gjuvsland, Elin Ruhlin. (2025).
Digitaliseringsvennlig regelverk: et mål å gjøre regelverk enklere og tydeligere.
Vis sammendrag
Hvordan kan vi balansere teknologiske muligheter med kravene til rettssikkerhet og demokrati? Overgangen fra manuell til automatisert saksbehandling krever klare retningslinjer for utviklere, slik at regelverket blir ivaretatt i digitale løsninger. Seniorforsker Audun Stolpe og assisterende forskningssjef Bjarte Østvold i NR forteller om samarbeidet med Statens vegvesen, det første prosjektet på huset som tar for seg digitaliseringsvennlig regelverk, som også har ført til et løpende nettverk for offentlige etater der erfaringsdeling står på plakaten. En podkastserie av Norsk Regnesentral med Anders Løland i studio, produsent Elin Ruhlin Gjuvsland.
Løland, Anders; Engebretsen, Solveig og Aasen, Nora Røhnebæk. (2025).
Beregning av pantegrad og innsamlingsgrad for 2024.
NVA
Rapport
Løland, Anders; Engebretsen, Solveig og Aasen, Nora Røhnebæk. (2025).
Method for estimation of DRS and total collection rate by unit – 2025 update.
NVA
Rapport
Løland, Anders; Engebretsen, Solveig og Aasen, Nora Røhnebæk. (2025).
Estimation of DRS collection rate by unit and total collection rate by unit for 2024.
NVA
Rapport
Løland, Anders; Jullum, Martin; Ingebrigtsen, Didrik Sten og Gjuvsland, Elin Ruhlin. (2025).
Hva skjer når avfall møter algoritmer?
Vis sammendrag
Vi snakker med Didrik Sten Ingebrigtsen (medgründer og "Research Lead" i Sensorita) og Martin Jullum (seniorforsker på NR) om hvorfor Sensorita finnes og hvorfor avfallsbransjen ikke er så digital i dag. Men mest snakker vi om hva som skjer i prosjektet "RewaCC" – som på norsk kan skrives ut til "Komplette digitale tvillinger av avfallscontainere".
RewaCC er et såkalt Innovasjonsprosjekt i Næringslivet (IPN) og finansiert av Norges Forskningsråd. I prosjektet jobber NRs forskere med kompanse på signalbehandling, maskinlæring og statistisk modellering sammen med Sensorita for å utnytte radardata for å automatisk finne ut hva slags materiale en avfallscontainer er fylt med. RewaCC og Sensorita kan på sikt endre hele avfallsbransjen.
Sannsynligvis VIKTIG er en serie om KI og digitalisering produsert av Norsk Regnesentral, Anders Løland er programleder. Produsert av Elin Ruhlin Gjuvsland.
Pirbhulal, Sandeep; Abie, Habtamu; Jullum, Martin; Nielsen, Didrik og Løland, Anders. (2025).
AI/ML for 5G and Beyond Cybersecurity.
Vis sammendrag
The advancements in communication technology (5G and beyond) and global connectivity Internet of Things (IoT) also come with new security problems that will need to be addressed in the next few years. The threats and vulnerabilities introduced by AI/ML based 5G and beyond IoT systems need to be investigated to avoid the amplification of attack vectors on AI/ML. AI/ML techniques are playing a vital role in numerous applications of cybersecurity. Despite the ongoing success, there are significant challenges in ensuring the trustworthiness of AI/ML systems. However, further research is needed to define what is considered an AI/ML threat and how it differs from threats to traditional systems, as currently there is no common understanding of what constitutes an attack on AI/ML based systems, nor how it might be created, hosted and propagated [ETSI, 2020]. Therefore, there is a need for studying the AI/ML approach to ensure safe and secure development, deployment, and operation of AI/ML based 5G and beyond IoT systems. For 5G and beyond, it is essential to continuously monitor and analyze any changing environment in real-time to identify and reduce intentional and unintentional risks. In this study, we will review the role of the AI/ML technique for 5G and beyond security. Furthermore, we will provide our perspective for predicting and mitigating 5G and beyond security using AI/ML techniques
Løland, Anders. (2025).
A glimpse into Norsk Regnesentral. STAMI (Statens arbeidsmiljøinstitutt)
NVA
Faglig foredrag
Løland, Anders og Olsen, Lars Henry Berge. (2024).
Fra BigInsight til Alan Turing-instituttet: En forklaring av forklaringer.
NVA
Programdeltagelse
Vis sammendrag
Lars Henry Berge Olsen er til vanlig PhD-student ved BigInsight og Universitetet i Oslo, og akkurat nå er han ved Alan Turing-instituttet i London. Vi snakker om hva Alan Turing-instituttet er og om Lars' egen forskning på forklarbar kunstig intelligens, som kan ligne litt på en diskusjon om hvordan en bør dele taxi-regninga.
Med Anders Løland i studio, produsent er Elin Ruhlin Gjuvsland.
En podkastserie av Norsk Regnesentral.
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Fnyser av tallknusernes spådom: – Jeg bryr meg ikke.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
De kloke hodene tror fortsatt på LFK.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Nedrykksdommen er klar - Start burde skjelve.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Tallknuserne sender LSK rett ned: – Vi tenker positivt og at vi har det i våre egne hender.
NVA
Intervju
Løland, Anders. (2024).
Kunstig intelligens og personvern: et (u)lykkelig ekteskap? Oslo kommune
NVA
Faglig foredrag
Aasen, Nora Røhnebæk; Engebretsen, Solveig og Løland, Anders. (2024).
Beregning av bundet og forbrukt plast i et ombrukssystem og et resirkuleringssystem for PET-flasker.
Vis sammendrag
I denne rapporten estimerer vi mengden bundet og forbrukt plast i resirkuleringssystemet (dagens system) og et ombrukssystem for PET-flasker som drikkevareemballasje. Vi beregner og sammenligner forbrukt og bundet plast for PET-flaskene både isolert sett og når vi tar hensyn til lastbærere som plastkasser, -brett og -sekker som brukes til frakt og lagring av flaskene. Bundet plast er beregnet utfra antall flasker (med tilhørende lastbærere) som til enhver tid må innes for å holde det sirkulære systemet gående. Her finner vi at antall flasker som bindes opp er større i ombrukssystemet, hvilket skyldes en større følsomhet for sesongvariasjon og logistikkubalanse. Ettersom flaskene også veier mer i ombrukssystemet, blir effekten ytterligere forsterket når vi ser på mengden plast istedenfor antall flasker. Vi estimerer mer enn dobbelt så mye plast i ombrukssystemet som i resirkuleringssystemet. Hvis vi også tar hensyn til lastbærere i form av plastkasser, -brett og -sekker, blir forskjellen mellom systemene i bundet plast enda større. Forbruk av plast er her definert som mengden jomfruelig plast som må tilføres systemet for å dekke tapet av plast. Her finner vi at forbruket er større i ombrukssystemet enn i resirkuleringssystemet for små PET-flasker, og mindre for store PET-flasker. Dette skyldes blant annet at pantegraden er høyere for store PET-flasker enn for små PET-flasker. Totalt har ombrukssystemet størst plastforbruk når vi inkluderer forbruket fra plastkasser, -brett og -sekker. Plastforbruket fra PET-flasker i ombrukssystemet går ned ved høyere pantegrad. I resirkuleringssystemet får man en begrensende faktor i form av andel resirkulert plast som kan benyttes i nye flasker. Dette fører til at vi ved høy pantegrad ikke ser en nedgang i plastforbruket fra PET-flasker til tross for videre økning i pantegraden.
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Tallknuserne mener LFK berger plassen.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Nedrykksstriden – Dette sier tallknuserne om SFs sjanser.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Ferske tall: Dette laget er gullfavoritt i Eliteserien.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Gir MFK gode muligheter til å rykke direkte opp.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2024).
Slik hadde Bodø/Glimt gjort det i Premier League.
NVA
Intervju
Redelmeier, Annabelle Alice; Jullum, Martin; Aas, Kjersti og Løland, Anders. (2024).
MCCE: Monte Carlo sampling of valid and realistic counterfactual explanations for tabular data.
Vis sammendrag
We introduce MCCE: Monte Carlo sampling of valid and realistic Counterfactual Explanations for tabular data, a novel counterfactual explanation method that generates on-manifold, actionable and valid counterfactuals by modeling the joint distribution of the mutable features given the immutable features and the decision. Unlike other on-manifold methods that tend to rely on variational autoencoders and have strict prediction model and data requirements, MCCE handles any type of prediction model and categorical features with more than two levels. MCCE first models the joint distribution of the features and the decision with an autoregressive generative model where the conditionals are estimated using decision trees. Then, it samples a large set of observations from this model, and finally, it removes the samples that do not obey certain criteria. We compare MCCE with a range of state-of-the-art on-manifold counterfactual methods using four well-known data sets and show that MCCE outperforms these methods on all common performance metrics and speed. In particular, including the decision in the modeling process improves the efficiency of the method substantially.
Løland, Anders; Christensen, Dennis og Novik, Geir Petter. (2024).
Hva er dumpet ammunisjon?
NVA
Programdeltagelse
Løland, Anders. (2024).
Mer bruk av KI i små og mellomstore bedrifter – utfordringer og mulige løsninger (panel). Integreat
NVA
Faglig foredrag
Løland, Anders. (2024).
Hva er NR og hvordan kan vi hjelpe oppstartsbedrifter? StartupLab
NVA
Faglig foredrag
Løland, Anders. (2024).
Bør vi frykte en KI-basert superintelligens, eller er dette bare alarmisme?
NVA
Programdeltagelse
Aasen, Nora Røhnebæk; Engebretsen, Solveig og Løland, Anders. (2024).
Calculating tied up and consumed plastic for a reuse system and a single-use system for PET bottles.
Vis sammendrag
In this report, we estimate the amount of tied up plastic and plastic consumption in the single-use system (the current system in Norway) and a reuse system for PET bottles as beverage packaging. We calculate and compare the consumed and tied up plastic for PET bottles both isolated and when accounting for Transport Items such as plastic crates, trays, and bags that are used in shipping and storing of the bottles. Tied up plastic is calculated from the number of bottles (and corresponding Transport Items) that at all times must exist in order to keep the circular material system operational. Here we find that the number of bottles that are tied up is greater in the reuse system than in the single-use system, which is due to a higher sensitivity to seasonal variation and logistical imbalance. As the bottles weigh more in the reuse system, the effect is further reinforced when we consider the amount of plastic instead of the number of bottles. We estimate more than twice as much tied up plastic in the reuse system as in the single-use system. If we also take into account Transport Items in the form of plastic crates, trays, and bags, the difference between the systems becomes even greater. Plastic consumption is here defined to be the amount of virgin plastic that must be put in to the system to cover the loss of plastic. Here we find that consumption is greater in the reuse system than in the single-use system for small PET bottles, and smaller for large PET bottles. This is partly due to the fact that the DRS collection rate by unit is higher for large PET bottles than for small PET bottles. In total the reuse system has the highest plastic consumption when we take into account the consumption of plastic crates, trays, and bags. Plastic consumption from PET bottles in the reuse system decreases as the DRS collection rate by unit increases. In the single-use system there is a limiting factor in terms of the proportion of recycled plastic that can be utilized in new bottles. Hence, after a certain threshold of high DRS collection rate by unit we do not see a decrease in plastic consumption from PET bottles despite further increase in the DRS collection rate by unit.
Løland, Anders og Engebretsen, Solveig. (2024).
Beregning av pantegrad og innsamlingsgrad for 2023.
NVA
Rapport
Kolstø, Johannes Voll; Haugen, Marion; Anderson, Mark David og Løland, Anders. (2024).
Prediksjon av TVINN-
varenummer ved bruk
av maskinlæring på
fritekstfelt.
Vis sammendrag
Statistisk sentralbyrå (SSB) publiserer månedlig statistikk over utenrikshandel med varer (UHV). Formålet med statistikken er å gi en oversikt over varestrømmene mellom Norge og utlandet. Eksport og import av varer er sentrale størrelser i det samfunnsøkonomiske bildet, og følgelig er det viktig at statistikken som
publiseres er presis.
Norsk Regnesentral (NR) har analysert tolldata på import av varer fra TollVesenets
INformasjonssystem med Næringslivet (TVINN). Alle importerte varer registreres gjennom en varelinje, med et varenummer som beskriver varetypen fra Tolltariffen, og feil varenummer er en vanlig feiltype. I en del tilfeller innebærer en slik feilregistrering manglende samsvar mellom varenummer og varebeskrivelsen.
I dette prosjektet har vi brukt en språkmodell til å innkode varebeskrivelsen, et fritekstfelt, for så å predikere varenummeret til en varelinje ved hjelp av logistisk regresjon. I tillegg har vi eksperimentert med å bruke gradientforsterkede tremodeller til samme formål, basert på andre felt fra hver varelinje. Disse modellene er trent på varelinjer fra enten 2017 - 2021, eller 2020 - 2023, som er kontrollert og har fått varenummeret sitt korrigert.
Ved å teste modellene på uavhengige testdata fra 2024, finner vi at modellene tilpasset varebeskrivelsene oppnår en rimelig høy treffsikkerhet, med en treffsikkerhet på ca. 65% for tekstmodellen tilpasset varelinjer fra perioden 2020 - 2023, evaluert på litt over 24 tusen korrigerte varelinjer. De gradientforsterkede tremodellene har ikke oppnådd tilsvarende ytelse, med en maksimal treffsikkerhet på ca. 11%, antageligvis
delvis grunnet overtilpasning til treningsdataene.
Løland, Anders og Engebretsen, Solveig. (2024).
Estimation of DRS collection rate by unit and total collection rate by unit for 2023.
NVA
Rapport
Løland, Anders. (2024).
Hva kan KI brukes til i byggenæringen, og hvordan kan det bidra til økt produktivitet og lønnsomhet? Tekna Bygg og anlegg
NVA
Faglig foredrag
Løland, Anders. (2024).
Understanding and using statistics when covering scientific research. OsloMet
NVA
Faglig foredrag
Løland, Anders; Aasen, Nora Røhnebæk; Waldeland, Anders U. og Lenkoski, Alex. (2024).
Store datamengder + kunstig intelligens: hva kan vi få til? NCE Heidner Biocluster
NVA
Faglig foredrag
Løland, Anders; Christensen, Dennis og Novik, Geir Petter. (2024).
Hvordan kan vi måle følsomhet i eksplosiver?
NVA
Programdeltagelse
Løland, Anders og Eikvil, Line. (2024).
«In the 90s, everybody knew that AI didn't work.» Hvorfor hadde Sergey Brin rett da han sa det?
NVA
Programdeltagelse
Løland, Anders og Jullum, Martin. (2024).
Hvorfor er maskinlæring nødvendig i kampen mot hvitvasking?
NVA
Programdeltagelse
Løland, Anders. (2024).
Norway’s advancements in AI and collaborative research opportunities with Indian counterparts. Norway India Chamber of Commerce and Industry
NVA
Faglig foredrag
Jullum, Martin; Aas, Kjersti og Løland, Anders. (2024).
Introduction to the 1st Oslo Invitational Workshop on Model-Agnostic Explainable AI. Norwegian Computing Center, BigInsight, Integreat
NVA
Faglig foredrag
Jullum, Martin; Aas, Kjersti; Løland, Anders; Aase, Frida Svendal og Olsen, Lars Henry Berge. (2024).
On conditional Shapley values for prediction explanation - Adaptive & variance stabilizing estimation with KernelSHAP. University of Bremen
NVA
poster
Jullum, Martin; Aas, Kjersti; Aase, Frida Svendal og Løland, Anders. (2024).
Recent computational advances in Shapley values based prediction explanation. Norwegian Statistical Association
NVA
Vitenskapelig foredrag
Jullum, Martin; Løland, Anders; Prabhu, Robindra og Sjødin, Jacob. (2024).
eXplego: An XAI-method selection tool. Norwegian Computing Center, BigInsight, Integreat
NVA
Faglig foredrag
Strumke, Inga og Løland, Anders. (2024).
Snakker Silicon Valley om superintelligens for å skjule dagens KI-problemer?
NVA
Kronikk
Løland, Anders. (2024).
Panel and joint discussion: Experiences on practical usage of XAI. Integreat og BigInsight
NVA
Faglig foredrag
Løland, Anders; Engebretsen, Solveig og Aasen, Nora Røhnebæk. (2024).
Method for estimation of DRS and total collection rate by unit.
NVA
Rapport
Fjeldstad, Torstein Mæland og Løland, Anders. (2023).
Hvis fotball er matematikk: Viking tar gullet.
NVA
Intervju
Hellton, Kristoffer Herland; Løland, Anders og Engebretsen, Solveig. (2023).
Alt du kan lære om statistisk modellering og maskinlæring på en dag. Norsk Regnesentral
NVA
Faglig foredrag
Løland, Anders og Prabhu, Robindra. (2023).
eXplego: Hvordan velge riktig metode for å forklare kunstig intelligens? Digdir
NVA
Faglig foredrag
Jullum, Martin; Sjødin, Jacob; Prabhu, Robindra og Løland, Anders. (2023).
eXplego: An interactive Tool that Helps you Select Appropriate XAI-methods for your Explainability Needs.
Vis sammendrag
The growing demand for transparency, interpretability, and explainability of machine learning models and AI systems has fueled the development of methods aimed at understanding the properties and behavior of such models (XAI). Since different methods answer different explainability questions, it is crucial to understand the kind of explanation the different XAI-methods provide, and in what situations they should be used. We introduce eXplego, an interactive tree-structured tool designed to assist users in selecting the most suitable XAI method for their use case. eXplego prompts users to answer questions regarding the type of explanation they seek, guiding them along the branches of the decision
tree for further inquiries. After 2-5 questions, the tree reaches one of its leaves to suggest an XAI method aligned with the user’s explainability need. The tool also provides helpful practical examples, simplified descriptions of the suggested method’s functionality and interpretability, points to consider when using the method, and links to the paper introducing the method, additional resources, and software implementations. The tool is developed from an in-depth study to discern the characteristics of the most prominent methods and the nature of the explanations they provide. We believe eXplego will help streamline the process of XAI method selection and contribute to the practical implementation of XAI in
various domains. The tool is available at explego.nr.no.
Tjøstheim, Dag Bjarne; Jullum, Martin og Løland, Anders. (2023).
Some recent trends in embeddings of time series and dynamic networks.
Vis sammendrag
We give a review of some recent developments in embeddings of time series and dynamic networks. We start out with traditional principal components and then look at extensions to dynamic factor models for time series. Unlike principal components for time series, the literature on time-varying nonlinear embedding is rather sparse. The most promising approaches in the literature is neural network based, and has recently performed well in forecasting competitions. We also touch on different forms of dynamics in topological data analysis (TDA). The last part of the article deals with embedding of dynamic networks, where we believe there is a gap between available theory and the behavior of most real world networks. We illustrate our review with two simulated examples. Throughout the review, we highlight differences between the static and dynamic case, and point to several open problems in the dynamic case.
Løland, Anders og Aas, Kjersti. (2023).
Generation of synthetic data: methods for, lessons from and challenges with tabular data. dScience, UiO
NVA
Faglig foredrag
Løland, Anders og Engebretsen, Solveig. (2023).
Estimation of DRS collection rate by unit and total collection rate by unit for 2022.
NVA
Rapport
Løland, Anders. (2023).
Panel: How Norway Can Become a Leading AI Nation, as Sweden & Finland. OsloMet University
NVA
Faglig foredrag
Løland, Anders og Engebretsen, Solveig. (2023).
Beregning av pantegrad og innsamlingsgrad for 2022.
NVA
Rapport
Løland, Anders. (2023).
Når virkeligheten kan hackes: hva er sant og hva kan vi stole på? Og hva gjør vi med det? (panelsamtale). SINTEF, Forskningsparken og Universitetet i Oslo
NVA
Faglig foredrag
Engebretsen, Solveig; Jullum, Martin og Løland, Anders. (2023).
Introduksjon til sentrale metoder i statistisk modellering og maskinlæring. Forsvarets forskningsinstitutt
NVA
Faglig foredrag
Løland, Anders. (2023).
Å forstå og bruke statistikk når man dekker forskning. OsloMet
NVA
Faglig foredrag
Hellton, Kristoffer Herland; Løland, Anders og Engebretsen, Solveig. (2023).
Alt du kan lære om statistisk modellering og maskinlæring på en dag. Norsk Regnesentral
NVA
Faglig foredrag
Løland, Anders. (2023).
Webinar: Meld fra hvor du går med kunstig intelligens.
NVA
Programdeltagelse
Løland, Anders og Utseth, Ingrid. (2023).
Forsker Ingrid har vært på tokt.
NVA
Programdeltagelse
Vis sammendrag
Ingrid Utseth fra NR har vært på akustikktokt med Havforskningsinstituttet. Etter toktet sitter Ingrid igjen med et laaaangt bilde som kommer fra ekkoloddet til forskningsfartøyet Ingrid var på. Vi snakker om hvorfor og hvordan hun jobber med automatisk tolkning av slike data fra ekkolodd.
Av Norsk Regnesentral med Anders Løland i studio. Produsent: Elin Ruhlin Gjuvsland.
Løland, Anders. (2023).
NR – a research institute devoted to machine learning: bridging the gap between academia and industry. Oslo Science City
NVA
Faglig foredrag
Løland, Anders. (2023).
Hva gikk galt i Rotterdams kunstig intelligens-jakt på svindlere?
NVA
Kronikk
Løland, Anders. (2023).
Kunstig intelligens, hva er nå det egentlig? Departementsakademiet
NVA
Faglig foredrag
Løland, Anders. (2023).
Edruelig og ansvarlig kunstig intelligens: Hvordan bør samfunnet håndtere de nye mulighetene? Medietilsynet
NVA
Faglig foredrag
Engebretsen, Solveig; Løland, Anders og Lison, Pierre. (2023).
Alt du kan lære om statistisk modellering og maskinlæring på en dag. Norsk Regnesentral
NVA
Faglig foredrag
Fjeldstad, Torstein Mæland og Løland, Anders. (2023).
Sjekk tallene - så stor er sjansen for at FKH spiller i Eliteserien neste år.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2023).
Tallknuserens dom: Dette er sannsynligheten for at Start rykker opp.
NVA
Intervju
Fjeldstad, Torstein Mæland og Løland, Anders. (2023).
Tallknusernes dom: Dette er sannsynligheten for at KIL rykker opp.
NVA
Intervju
Engebretsen, Solveig; Løland, Anders og Lison, Pierre. (2023).
Alt du kan lære om statistisk modellering og maskinlæring på en dag. Norsk Regnesentral
NVA
Faglig foredrag
Løland, Anders. (2023).
Hvorfor lever mange til de er over 100 år noen spesielle steder i verden?
NVA
Intervju
Tjøstheim, Dag Bjarne; Jullum, Martin og Løland, Anders. (2023).
Statistical Embedding: Beyond Principal Components.
Vis sammendrag
There has been an intense recent activity in embedding of very high-dimensional and nonlinear data structures, much of it in the data science and machine learning literature. We survey this activity in four parts. In the first part, we cover nonlinear methods such as principal curves, multidimensional scaling, local linear methods, ISOMAP, graph-based methods and diffusion mapping, kernel based methods and random projections. The second part is concerned with topological embedding methods, in particular mapping topological properties into persistence diagrams and the Mapper algorithm. Another type of data sets with a tremendous growth is very high-dimensional network data. The task considered in part three is how to embed such data in a vector space of moderate dimension to make the data amenable to traditional techniques such as cluster and classification techniques. Arguably, this is the part where the contrast between algorithmic machine learning methods and statistical modeling, represented by the so-called stochastic block model, is at its greatest. In the paper, we discuss the pros and cons for the two approaches. The final part of the survey deals with embedding in
R2, that is, visualization. Three methods are presented: t-SNE, UMAP and LargeVis based on methods in parts one, two and three, respectively. The methods are illustrated and compared on two simulated data sets; one consisting of a triplet of noisy Ranunculoid curves, and one consisting of networks of increasing complexity generated with stochastic block models and with two types of nodes.
Jullum, Martin; Aas, Kjersti; Løland, Anders og Redelmeier, Annabelle Alice. (2023).
A ridiculously simple approach to counterfactual explanations. NTNU Trondheim
NVA
Vitenskapelig foredrag
Jullum, Martin; Aas, Kjersti; Løland, Anders og Redelmeier, Annabelle Alice. (2023).
A ridiculously simple approach to counterfactual explanations. LMU Munich
NVA
Vitenskapelig foredrag
Hellton, Kristoffer Herland; Günther, Clara-Cecilie og Løland, Anders. (2023).
Modell for valgprognoser – med resultater fra 2021-valget.
NVA
Rapport
Løland, Anders; Holden, Marit og Scheuerer, Michael. (2023).
Smoothing of forward curves – 2023 update allowing for negative prices.
NVA
Rapport
Løland, Anders; Haug, Ola og Elvsborg, John. (2023).
Hvordan endres risikoen for forsikringsskader når klimaet endrer seg?
NVA
Programdeltagelse
Løland, Anders. (2023).
Hva har vi lært, hva har vi fått til – og vår vei videre. Norges Forskningsråd
NVA
Faglig foredrag
Løland, Anders. (2023).
Hva er kunstig intelligens, hva kan den gjøre og hva kan den ikke gjøre? Fagforbundet, EL og IT Forbundet, Universitetet i Oslo, NTL
NVA
Faglig foredrag
Haug, Ola og Løland, Anders. (2023).
A reuse system for bottles - trip rate calculations under model replacement.
Vis sammendrag
The back to market trip rate is a key performance indicator of a bottle reuse system. In this study we investigate the impact of model replacement on the trip rate, incorporating also other loss mechanisms: incomplete deposit, damage or pollution, and scuffing. We find that for representative market parameter values, the overall trip rate is significantly reduced from introducing the scuffing and model replacement components into a system originally comprising the deposit and damage loss processes only, with figures in the range 36% - 57% for PET bottles, and 32% - 64% for glass bottles. The effect increases for shorter model design lifetimes.