Mesterséges Intelligencia Kutatócsoport MSc önálló labor témák

1.) Természetes nyelvű szövegek gépi feldolgozása

A mai informatikai rendszerek többségének alapvető hiányossága, hogy keveset tudnak az általuk támogatandó feladatról, környezetükről, nem értik felhasználóik igényeit, csak a beléjük kódolt szolgáltatásokat biztosítják előre meghatározott esetekre. Az intelligens szolgáltatások, az ember-gép kommunikáció támogatása, a korszerű döntéstámogató programok, a szöveg- és adatelemző környezetek vagy az autonóm robotikus rendszerek magas szintű vezérlése mind a tárgyterület ismereteinek modellezésére, értelmezésére, következtetésre épülnek. Az  önálló labor ezen területbe ad bepillantást, alapvető elméleti módszerek mellett nagy hangsúlyt helyezve a gyakorlati alkalmazásokra.

Témavezető:
Dr. Mészáros Tamás

Önálló labor témák:


Témavezető:
Dr. Strausz György

Önálló labor témák:

2.) Federált tanulás

2/A) Elosztott tanulás

Az elosztott tanulásra fókuszáló önálló labor célja az elosztott adat- és tudásforrások együttes felhasználásának bemutatása és kutatása. A felhasznált modellek magukban foglalják a neurális hálózatok és a valószínűségi gráfos modellek osztályát, különös tekintettel az oksági Bayes-hálózatokat. Az adat- és tudásfúzió egyésges kereteként lehetőség nyílik a Bayes-statisztika megismerésére, amely a mind a nagy mennyiségű, heterogén háttértudás és az elosztott, akár horizontálisan és vertikálisan felosztott adatok integrálására is lehetőséget ad. Az elosztott tanulás magába foglalja a nagy számú homogén partnert feltételező federált tanulást; a kis számú, heterogén partnert fedő kollaboratív tanulást; és a játékelméleti keretű többágenses tanulást is. A heterogenitás nem csupán a elosztott tudás és adat esetében van jelen, hanem a partnerek által alkalmazott modellek tekintetében is, ami a heterogén modellek együttes felhasználásának kérdését veti fel. Az elosztott tanulás játékelméleti és döntéselméleti kiterjesztése pedig elvezet a másik partnernél lévő adatnak és további adatnak az értékének a kérdését, amely az aktív tanulás keretében szintén egy javasolt téma.

Témavezetők:
Dr. Antal Péter
Formanek András
Sándor Dániel

Önálló labor témák:


Federált tanulás hierarchikus heterogén adatok esetén
Online tanulási módszerek felhasználása felskálázható-erőforráshatékony adatelemzésben
Felskálázható almodelleket tartalmazó rendszeralapú hálózati adatelemzési módszerek

3.) Valószínűségi gráfos modellek alkalmazása

A valószínűségi gráfos modellek a mesterséges intelligencia, a gépi tanulás és a döntéselmélet általános, alapvető eszközeivé váltak. Kiterjesztésének jelenlegi irányai például az oksági relációk részletes jellemzése, a környezetfüggő függetlenségek reprezentálása, a jövőbeli információ hasznának hatékony megbecslése, magyarázatgenerálás, illetve bayesi megközelítésben modellek sokaságának hatékony kezelése.

A önálló labor folyamán lehetőséget biztosítunk a valószínűségi gráfos modellek általános megismerésére és a fentebbi kutatásokhoz tartozó módszerek megvalósítására, nevezetesen például a következő feladatok esetében:

  • oksági relációk részletes jellemzése, “kényszerített” élek és “zavarásmentes” élek azonosítása,
  • magyarázatgenerálás,
  • a jövőbeli információ hasznának hatékony megbecslése,
  • modellek, környezetfüggő függetlenségek és átfogó modelltulajdonságok hatékony reprezentálása bayesi  megközelítésben.

Témavezetők:
Dr. Antal Péter
Sándor Dániel
Millinghoffer András

Önálló labor témák:

Skálázható oksági felfedezés
Grafikus felhasználói felület fejlesztése döntési hálókhoz, amely támogat általános lokális függési modelleket, idői dimenziót, és szabadszöveges jegyzetelést
Hiányos adatok kezelése Bayes hálókkal statisztikai és oksági vizsgálatokban

Hatékony következtető, döntéstámogató és magyarázatgeneráló módszerek nagyméretű valószínűségi hálózatokban

Modell transzformáció és vetítés statisztikai-számítási hatékonyság, magyarázhatóság és megbízhatóság javítása érdekében
Tudományos felfedező rendszerek: hiányos adatok kezelése és aktív tanulás Bayes hálókkal

 

4.) Képfeldolgozás

Kétféle megközelítése létezik egy képfeldolgozási probléma megoldásának: a szakértői képfeldolgozáson és a gépi tanuláson alapuló. A képfeldolgozásos esetben klasszikus kép és jelfeldolgozásos eljárásokkal feladat -dekompozíció elvét követve tervezünk és implementálunk egy rendszert, mellyel olyan képi elemeket detektálunk, melyekből egy szakértői következtető rendszerrel kategorizálhatjuk vizsgált mintákat. Egy másik lehetséges megközelítés a probléma gépi tanuláson alapuló megoldása, mely során annotált minták halmazát mutatunk egy tanuló eljárásnak, mely ezek alapján osztályozza a később, még nem látott mintákat, vagy detektálja azokon a kritikusabb részeket, ami alapján később döntést hoz. A szakértői megközelítés előnye, hogy egy interpretálható, megmagyarázható modellt kapunk, melynek konstrukciójához kevés minta is elég lehet, míg a gépi tanulásos esetben egy black-box rendszer az eredmény, mely ha elegendően sok tanítómintát lát, akkor pontosabb működésre lehet képes. Általános jellemzője mindkét megközelítésnek, hogy kihívásokkal teli, nehéz feladatokat eredményeznek, melyek megoldása során részletekbe merülően meg lehet ismerni az algoritmikus és a neurális paradigma kép és videófeldolgozásos problémák során történő használatának nehézségeit, lehetőségeit és korlátjait. A témával foglalkozók az elméleti apparátus gyakorlatban alkalmazható, készség szintű ismeretére tehetnek szert.

4.A) Orvosi képfeldolgozás

Témavezetők:
Hadházi Dániel
Dr. Hullám Gábor
Révy Gábor

Önálló labor témák:
Orvosi képfeldolgozás gépi tanulási módszerekkel
Orvosi képfeldolgozás szakértői módszerekkel
 

4.B) EEG jelfeldolgozás

Témavezetők:
Dr. Hullám Gábor
Vetró Mihály

Önálló labor témák:
EEG adatelemzés
EEG adatfeldolgozás gépi tanulási módszerek segítségével

4.C) Arckifejezések detektálása

Témavezetők:
Dr. Hullám Gábor
Révy Gábor

Arckifejezések detektálása gépi tanulási módszerekkel

 

5.) Gépi tanulási módszerek alkalmazása

Napjainkban a neurális hálók alkalmazási köre dinamikusan bővül. Számos, pár évvel ezelőtt még megoldhatatlannak tűnő feladat leküzdésében jutott oroszlán szerep e számítás paradigma által nyújtott apparátusnak. Még szélesebb körű alkalmazhatóságuk azonban olyan korlátok meghaladását igényli, melyek ma még élesen jelentkeznek. Ahhoz, hogy ez lehetségessé váljon nem elegendő az eljárások fekete doboz jellegű, eszköz szintű alkalmazása. Elengedhetetlen az egyes módszerek alapos, elméleti szempontból is kielégítő ismerete. Az önálló labor fő célkitűzése éppen ezért a neurális paradigma apparátusának részét képező finomabb módszerek, eljárások alapos feltérképezése, olyan elméleti és demonstrációs célra is alkalmas gyakorlati vizsgálatok elvégzése, mellyel átláthatóak, pontosabban megismerhetőek és ezen ismeretek birtokában komplex feladatok esetén hatásosabban alkalmazhatóak a mély tanulás finomabb módszerei is.

5.A) Gráf neurális hálózatok fejlesztése és alkalmazása

Témavezető:
Dr. Gézsi András

Önálló labor témák:

Gráfok klaszterezése gráf neurális hálózatokkal
Gráf neurális hálózatok alkalmazása gén-betegség asszociációk jóslására 
 

5.B) Generatív modellek

Témavezető:
Dr. Antal Péter
Pogány Domonkos

Önálló labor témák:

5.C) Bayesi paradigma alkalmazásai

Témavezető:
Dr. Antal Péter
Sándor Dániel

Önálló labor témák:

Hatékony kísérlettervezés gépi tanulással

Bayes-szűrők alkalmazása idősor-előrejelzési feladatokban 
Bayesi többkarú rablók

5.D) Szakértői rendszerek

Témavezető:
Alekszejenkó Levente

Önálló labor témák:

Kerékpáros útvonaltervező implementálása az Eclipse SUMO szimulációs környezethez
Zöld mesterséges intelligencia
Intelligens egyéni kerékpáros túrajavasló program
Időseket szállító önvezető-gépjármű vezetési profilja
Intelligens vasúti útvonaltervező

6.) Számítógéppel segített életvitel (AAL)

Az informatika rohamos terjedésével az intelligens eszközök és megoldások megjelentek a hétköznapi életben is a munkahelyi és az otthoni környezetben. Ezekben rendszerint beágyazott eszközök, lehetőleg az emberek napi életvitelét nem zavarva, bizonyos szempontból rejtetten, de folyamatosan működve igyekeznek segítséget nyújtani. A két legnagyobb (otthoni) alkalmazási terület az otthonautomatizáláshoz, illetve a minőségi életvitel támogatásához kötődik. Példaképpen vehetjük a betörés, vagy egyéb jelzőrendszereket, de a kényelmi szolgáltatásokat is, mint pl. a szellőzés, árnyékolás, hifi berendezések, tv-k stb. intelligens vezérlése. A minőségi életvitel megőrzése, támogatása kiemelten fontos az időseknél, illetve a valamilyen fogyatékkal élőknél. Itt az egészségmonitorozás, a balesetveszélyes helyzetek észlelése, az elvégezni kívánt feladatok információkkal, tanácsokkal való támogatása stb. rendkívül fontos feladat.

Témavezetők:
Dr. Pataki Béla
Eredics Péter

Önálló labor témák:

Orvosi tesztek beépítése játékokba mentális állapot monitorozása céljából
Tipikus viselkedési minták felismerése és befolyásolása

 

7.) Orvosbiológiai, bio- és kemoinformatikai adatelemzés és döntéstámogatás

Az orvosbiológiai kutatásokat alapjaiban formálják át az új molekuláris biológiai méréstechnikai eljárások és az általuk generált nagy mennyiségű, átfogó adat. A témalabor e terület jellegzetességeit és a jelentkező kihívások kezeléséhez szükséges technikák megismerését teszi lehetővé két feladatcsoport keretében: (1) genetikai adatok mérése és elemzése, (2) szemantikus technológiák a kemo- és bioinformatikában.

Témavezetők:
Dr. Antal Péter
Dr. Gézsi András
Sárközy Péter
Millinghoffer András
dr. Bruncsics Bence
Pogány Domonkos

7.A) Hálózati terjesztési algoritmusok

Témavezető:
Dr. Gézsi András

Önálló labor témák:
Hálózati terjesztési algoritmusok vizsgálata

7.B) Tudásreprezentáció, tudásfúzió

Témavezető:
Dr. Antal Péter
Marosi Márk



Önálló labor témák:

Egészségügyi célú mesterséges intelligencia eszközök fejlesztésének szabályozása és azt támogató eszközök
Orvosbiológia szakcikkek statisztikai és magas szintű nyelvészeti elemzése adat- és tudásfúzió támogatására
Tudásreprezentáció és keretrendszer kialakítása formális szemantikai jegyekkel gazdagított szabadszöveges, logikai, és kvantitatív valószínűségi tudásformák együttesére
Szemantikai tudásbázisok automatizált felhasználása rendszeralapú hálózati adatelemzésben
Szemantikus web technológiák felhasználása orvos-biológiai tudás kinyerésére
Egységes reprezentációs keretrendszer felé: Kémiai jelölések és szakirodalom integrálása a természetes termékek tanulásához

 

7.C) Kemoinformatika

Témavezető:
Dr. Antal Péter
Marosi Márk
Pogány Domonkos

Egységes reprezentációs keretrendszer felé: Kémiai jelölések és szakirodalom integrálása a természetes termékek tanulásához
A klinikai vizsgálatok sikerességének előrejelzése: Területspecifikus nagy nyelvi modellek a gyógyszerfejlesztésben
De novo molekulagenerálás a gyógyszerkutatásban több célpont esetén

Diffúziós generatív modellek a gyógyszerkutatásban

7.D) Genetikai adatok elemzése

Témavezető:
Dr. Antal Péter

Önálló labor témák:


Mély oksági következtetés: komplex fenotípusok közös molekuláris hátterének feltárása genetikai adatok felhasználásával
Rendszeralapú oksági modellek felskálázható ensemble tanulása genomi adatokon

Genetikai adatok elemzése lineáris kevert modellek felhasználásával
 


 

© 2010-2024 BME MIT | Hibajelentés | Használati útmutató