Yinan Yu

Yinan Yu är biträdande professor vid Institutionen för data- och informationsteknik, Chalmers tekniska högskola. Hon är disputerad inom maskininlärning och signalbehandling.

Hennes forskning kombinerar multimodal maskininlärning (signaler, text, bilder, tidsserier, 3D-data och strukturerade databaser) med grundmodeller och datastyrning för att möjliggöra domänspecifikt och personanpassat beslutsstöd i säkerhetskritiska miljöer. Hon samarbetar nära med aktörer inom hälso- och sjukvård och transportsektorn med målet att omsätta forskning till praktiskt användbara system. 

Fokusområde 

Yinans forskning omfattar två parallella spår: utveckling av grundläggande algoritmer inom multimodal AI och implementering av kompletta AI-system för verkliga tillämpningar. Ett centralt mål är att skapa begripliga, tillförlitliga och användarcentrerade AI-system som stödjer professionella beslutsprocesser i säkerhetskritiska sammanhang. Arbetet inkluderar sekvensmodellering, stora språkmodeller, fysikinformerade tidsseriemodeller samt metoder för robust generalisering mellan domäner. 
  

Utvalda publikationer 

Dippel F, Yu Y, Rosengren A, m.fl. 
Analysis of heart failure patient trajectories using sequence modeling. 
arXiv. 2025. 


Yu Y, Dippel F, Lundberg CE, m.fl. 
Cost-Aware Prediction (CAP): An LLM-Enhanced Machine Learning Pipeline for Heart Failure Mortality Prediction. 
arXiv. 2025. 


Wang S, Yu Y. 
iQUEST: An iterative question-guided framework for knowledge base question answering. 
ACL. 2025. 


Khoee AG, Yu Y, Feldt R. 
Domain generalization through meta-learning: A survey. 
Artificial Intelligence Review. 2024. 


Yu Y, Scheidegger S, McKelvey T. 
Building efficient CNNs using depthwise convolutional eigen-filters. 
Neurocomputing. 2024. 
 

Pågående & planerade forskningsprojekt 

  • SafeHelper (WASP) 
    Utveckling av LLM-baserade multimodala system för säkerhetskritiskt beslutsstöd. 
  • AI-driven telemonitorering vid hjärtsvikt (Vinnova) 
    Förbättrad uppföljning i specialiserad hemsjukvård med AI-stöd.
  • NoAI 
    Multimodalt AI-stöd för trafikanter med olika funktionsvariationer.
  • Fysikinformerade tidsseriemodeller 
    Utveckling av säkrare och robusta foundation-modeller.
  • Semantiskt medveten datalake-optimering (VR) 
    Effektiv strukturering av multimodala datalager.

Handledningsengagemang

  • Huvudhandledare för flera doktorander inom multimodal AI och tillämpad maskininlärning
  • Bihandledare för doktorandprojekt inom cybersäkerhet, datalake-optimering och fordonsrelaterad AI