Jeg er for tiden forsker i RESPiRE-prosjektet (Responsible Explainable Machine Learning for Sleep-related Respiratory Disorders) ved DKM-gruppen, Institutt for informatikk og dScience-senteret ved Universitetet i Oslo (UiO), Norge. Her arbeider jeg sammen med professor Thomas Plagemann med utvikling av pålitelige og forklarbare maskinlæringsmetoder for helserelaterte anvendelser. Samtidig er jeg i sluttfasen av doktorgradsarbeidet mitt i ND-gruppen (Network and Distributed Systems) ved UiO, under veiledning av professorene Sabita Maharjan, Yan Zhang og Frank Eliassen.
Min forskning ligger i skjæringspunktet mellom forklarbar og pålitelig kunstig intelligens, statistisk læring, pålitelighetsanalyse og personvernbevisste intelligente systemer. Jeg har arbeidet omfattende med korrelasjons- og avhengighetsbevisste forklaringsmetoder, robusthet og pålitelighet i AI-forklaringer, konforme prediksjoner (conformal prediction), usikkerhetskvantifisering og personvernbevarende AI-rammeverk for kritisk infrastruktur, helse, kommunikasjonssystemer og energianvendelser.
Jeg har publisert og medforfattet flere vitenskapelige artikler, konferansebidrag, bokkapitler og pågående arbeider innen pålitelig kunstig intelligens, forklarbar maskinlæring, personvern og robuste AI-systemer. Min nyere forskning omfatter blant annet ExCIR, MCIR, Kernel-MCIR, rammeverk for pålitelighetsbevisst forklarbarhet samt personvernbevarende hierarkiske AI-systemer.
Ved siden av forskningen har jeg vært involvert i undervisning ved Universitetet i Oslo som undervisningsassistent i emnet IN5410/IN9410 Energy Informatics på master- og ph.d.-nivå. Mine undervisningsoppgaver har blant annet omfattet veiledning i oppgaver, maskinlæringsprosjekter og energiprognoser. Jeg har også veiledet bachelor- og masterstudenter innen forklarbar og pålitelig kunstig intelligens. I tillegg har jeg fullført UiOs 200-timers program for universitetspedagogisk basiskompetanse.
Jeg deltar aktivt i tverrfaglige og internasjonale forskningssamarbeid, blant annet med Simula Research Laboratory, SINTEF, Aalborg Universitet, OsloMet og andre nordiske institusjoner. Jeg har også vært et aktivt medlem av studentrådet i NORA (Norwegian Artificial Intelligence Research Consortium), hvor jeg har bidratt til tverrfaglig AI-forskning og utviklingen av det akademiske AI-miljøet i Norge.
Min overordnede forskningsvisjon er å utvikle AI-systemer som ikke bare er nøyaktige og skalerbare, men også transparente, pålitelige, personvernbevisste, menneskesentrerte og samfunnsansvarlige.
Utenom forskning liker jeg å male, reise og utforske ulike kulturer og perspektiver. Jeg setter også stor pris på å oppdage nye steder, tilfeldige kaféer og små hverdagseventyr – noe som kanskje også forklarer hvorfor jeg trives så godt med tverrfaglig forskning.
PUBLICATIONS
1. Sengupta, P., Paul, S., and Mishra, S. (2021). “Learning with Differential Privacy.” In Handbook of Research on Cyber Crime and Information Privacy, IGI Global, pp. 372–395.
2. Sengupta, P., Zhang, Y., Maharjan, S., and Eliassen, F. (2023). “Balancing Explainability-Accuracy of Complex Models.” arXiv preprint arXiv:2305.14098.
3. Sengupta, P., Maharjan, S., Eliassen, F., and Zhang, Y. (2025). “Privacy-Utility-Fairness: A Balanced Approach to Vehicular-Traffic Management System.” Proceedings of the IEEE 101st Vehicular Technology Conference (VTC Spring), pp. 1–6.
4. Sengupta, P., Paul, S., and Mishra, S. (2020). “BUDS: Balancing Utility and Differential Privacy by Shuffling.” IEEE Proceedings of the 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT), pp. 1–7.
5. Sengupta, P., Paul, S., and Mishra, S. (2023). “BUDS+: Better Privacy with Converger and Noisy Shuffling.” ACM Digital Threats: Research and Practice, 4(2), pp. 1–23.
6. Sengupta, P. and Mishra, S. (2021). “Fairly Private Through Group Tagging and Relation Impact.” International Conference on Modeling Decisions for Artificial Intelligence, Springer, pp. 259–272.
7. Duguma, D. G., Zhang, J., Aboutalebi, M., Zhang, S., Banet, C., Bjørkli, C., Baramashetru, C., Eliassen, F., Zhang, H., Muringani, J., et al. (2023). “Privacy-Preserving Transactive Energy Systems: Key Topics and Open Research Challenges.” arXiv preprint arXiv:2312.11564.
8. Sengupta, P., Raikwar, M., Zhang, Y., Maharjan, S., and Eliassen, F. (2025). “Context-Aware Adaptive Post-Quantum Framework for Autonomous Vehicular Networks.” Accepted at FutureG Workshop at NDSS 2026.
9. Sengupta, P. (2026). “Dependence-Aware Context Selection for Trustworthy Autoregressive Language Models.” arXiv preprint arXiv:2602.01378. Under review.
10. Sengupta, P., Zhang, Y., and Maharjan, S. (2025). “HXAI: A Privacy-Preserving Hierarchical Explainable AI Framework for Smart Energy Systems.” Under review at IEEE Transactions on Emerging Topics in Computational Intelligence (TETCI).
11. Sengupta, P., Khadka, R., Maharjan, S., Eliassen, F., Lind, P. G., Yazidi, A., and Zhang, Y. (2025). “ExCIR: An Approach Towards Robust Explainability of Complex Models Through Correlation Impact Ratio.” Under review at IEEE Transactions on Artificial Intelligence.
12. Sengupta, P., Maharjan, S., Eliassen, F., Zhang, Y., and Pandey, S. R. (2025). “MCIR: Mutual-Information Ratio for Correlation-Aware Feature Attribution.” Manuscript under submission to Transactions on Machine Learning Research (TMLR).
13. Sengupta, P., Maharjan, S., Eliassen, F., and Zhang, Y. (2026). “Kernel-MCIR: A Kernelized Correlation-Aware Attribution Framework for High-Dimensional Feature Redundancy.” Under review at NeurIPS.
14. Sengupta, P., Maharjan, S., Eliassen, F., Vinel, A., and Zhang, Y. (2026). “EC-NCS: Explanation-Conditioned Conformal Prediction for Reliable Machine Learning in Communication Networks.” Manuscript under review at Globecom 2026.
15. Sengupta, P., Zhang, Y., Eliassen, F., and Maharjan, S. (2026). “Correlation-Aware Feature Attribution-Based Explainable AI.” Accepted in Proceedings of the International Conference on Advances in Artificial Intelligence and Machine Learning (AAIML), 2026, Japan, Tokyo.
16. Khadka, R., Sengupta, P., Lind, P. G., and Yazidi, A. (2024). “Quantization of Vision Transformer-Based Model for Real-Time EEG Classification.” Nordic e-Infrastructure Collaboration Conference, Springer Nature Switzerland, pp. 17–27.
17. Paul, S., Sengupta, P., and Mishra, S. (2020). “FLAPS: Federated Learning and Privately Scaling.” Proceedings of the IEEE 17th International Conference on Mobile Ad Hoc and Sensor Systems (MASS), pp. 13–19.
18. Sengupta, P., Maharjan, S., Eliassen, F., Pandey, S. R., and Zhang, Y. (2026). “Reliable Explanations or Random Noise? A Reliability Metric for XAI.” Under review at NeurIPS.
19. Sengupta, P., Maharjan, S., Eliassen, F., and Zhang, Y. (2026). “X-NegoBox: An Explainable Privacy-Budget Negotiation Framework for Secure Peer-to-Peer Energy Data Exchange.” Accepted at IEEE International Conference on Computer Communications and Networks (ICCCN), 2026, Honolulu, Hawaii.