Kauzális kapcsolatok modellezése

Tanszéki konzulens: 
A munkatárs fényképe
adjunktus
Szoba: IE427
Tel.:
+36 1 463-2010
Email: gaborhu (*) mit * bme * hu

A kiírás adatai

A téma státusza: 
Aktív (aktuális, lehet rá jelentkezni)
Kiírás éve: 
2016
A kiírás jellege: 
önálló labor

Egy adott tárgyterülethez kapcsolódó mechanizmusok megértése alapvető igénye a tudományos megközelítésnek. E mechanizmusok entitások (változók) közötti kauzális, vagyis ok-okozati kapcsolatokkal írhatók le. A kauzális kapcsolatok feltárásának közvetlen módja a kísérleti beavatkozás, amikor egy adott változó értékének meghatározása mellett  kerül sor más változó(k) vizsgálatára. Azonban legtöbbször a közvetlen beavatkozás nem lehetséges, csak megfigyelési adatok állnak rendelkezésre. Ekkor azonban többváltozós függőségi mintázatok  vizsgálata szükséges, és ezek alapján is csak bizonyos kauzális kapcsolatokat lehet feltárni egyértelműen. Ezen az segíthet, ha rendelkezésre áll megfelelő előzetes (a priori) tudás, mely segítségével a kauzális kapcsolat iránya eldönthető.

Megfigyelési adatokra számos kauzális kapcsolat feltáró módszer alkalmazható, melyek két nagy csoportra bonthatók: a (1) kényszer alapú lokális algoritmusok és a (2) rendszerlapú (globális) algoritmusok. Az előbbiek a változók függőségi kapcsolati hálózatának kisebb elemeit vizsgálják és a lokális modellrészletek összeillesztéssel adódhat egy átfogó kauzális modell, míg az utóbbiak egy globális kauzális modell létrehozására törekszenek, melyből kiolvashatók az egyes elemekre vonatkozó részletek.

A kauzális kapcsolatok feltárásának alapvető célja az, hogy egy kiválasztott változó (célváltozó) szempontjából meghatározható legyen más változók viszonya. Tehát például egy változó közvetlen hatással bír a célváltozóra, vagy csak más változókon keresztül hat, jellemzően jóval gyengébben. A modellezés és az esetleg erre épülő döntéstámogatás aspektusából ez egy kiemelten fontos szempont, mivel a kauzális modell alapján kellene meghatározni, hogy hol érdemes beavatkozni a rendszerbe, milyen paramétereket érdemes mérni.  Például egy multifaktoriális betegség genetikai hátterét leíró modellnél alapvető kérdés, hogy mely genetikai faktorokat lenne érdemes mérni a betegség korai kiszűréséhez, vagy a terápiának mely faktoroknál kellene beavatkoznia. Ugyanígy hardverkomponensek kommunikációjának modellezésénél lényeges kérdés, hogy ha a rendszer teljesítménye, vagy akár egy komponens teljesítménye leromlik, akkor hol érdemes beavatkozni, mely metrikák jelzik leginkább előre a teljesítményromlást.

Az önálló labor keretében kitűzött feladat több kauzális kapcsolat feltáró algoritmus implementálása és alkalmazása, különös tekintettel nagy dimenziójú (azaz nagy váltózószámú) adatokra.  

Kapcsolódó tantárgyak: 
Bioinformatika
Kapcsolódó tantárgyak: 
Bioinformatika laboratórium
Kapcsolódó tantárgyak: 
Mesterséges intelligencia
© 2010-2018 BME MIT | Hibajelentés | Használati útmutató