Predlaže se razvoj: (i) samonadziranih robusnih podatcima prilagođenih algoritama grupiranja velikih skupova podataka generiranih iz (ne)linearnih niskodimenzionalnih potprostora; (ii) algoritama linearne regresije regulariziranih podacima prilagođenim funkcijama rijetkosti (surogatima L0 kvazi-norme); (iii) algoritama za aproksimaciju višedimenzionalnih skupova podataka tenzorskim modelima niskog ranga s primjenama u izdvajanjima diskriminativnih značajki iz tenzorskih podataka. Algoritmi razvijeni pod (i) biti će primijenjeni na semantičku segmentaciju hiperspektralne slike bojanih patohistoloških preparata smrznute sekcije adenokarcinoma debelog crijeva u jetri, te na semantičku segmentaciju RGB slike bojanih patohistoloških preparata tri česta tumora jetre (hepatocelularni karcinom, kolangiocelularni karcinom i adenokarcinom debelog crijeva u jetri). Ovima primjenama se želi vrednovati doprinos hiperspektralnog oslikavanja u kvaliteti segmentacije, odnosno kvaliteta modela za segmentaciju različitih tumora jetre. Algoritmi razvijenih pod (ii) biti će primijenjeni na identifikaciju metabolita prisutnih s malim udjelom u 1H NMR spektrima humanog urina osoba s dijabetesom tipa II koristeći proširenu biblioteku (290 do 330) metabolita indikativnih za humani urin i/ili dijabetesom tipa II. Ova primjena je važna za problem neciljanog metaboličkog profiliranja gdje se želi identificirati što veći broj metabolita u biološkom uzorku. Algoritmi razvijeni pod (ii) i (iii) biti će primijenjeni na dijagnostiku čestih bolesti retine izdvajanjem diskriminativnih značajki iz 3D slike optičke koherentne tomografije. Ova primjena je važna jer je potencijalna alternativa dubokim mrežama koje su zahtjevne za učenje.