Mesterséges Intelligencia Kutatócsoport témalaborok

A csoport témalabor kiírásai az alábbiak:

 

1.) 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
Sárközy Péter

További Információ a lap alján nyíló tájékoztatóban található.

 

2.) 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. A témalabor ezen területbe ad bepillantást, alapvető elméleti módszerek mellett nagy hangsúlyt helyezve a gyakorlati alkalmazásokra.

Témavezetők:
Dr. Mészáros Tamás
Dr. Strausz György

 

További Információ a lap alján nyíló tájékoztatóban található.

 

3.) Gépi tanulás és képfeldolgozás

3/A) Elosztott tanulás

Az elosztott tanulásra fókuszáló témalabor 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
Dr. Bolgár Bence
Hadházi Dániel
 

3/B) Arckifejezések detektálása gépi tanulási és képfeldolgozásos módszerekkel

Humán interpretáció számára nem tűnik bonyolult feladatnak (az ember sok év alatt megtanulja a különböző arckifejezések minta alapú felismerését), ám annak algoritmizálása kifejezetten nehéz. Kétféle megközelítése létezik a 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 az alany viselkedését. Egy másik lehetséges megközelítés a probléma gépi tanuláson alapuló megoldása, mely során annotált minták halmazát mutatunk egy tanuló eljárásnak, mely ezekből osztályozza az azon szereplő alany viselkedését, vagy detektálja azon 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.

Szükséges kompetenciák: analízis, lineáris algebra, valószínűségszámítás, algoritmuselmélet készség szintű ismerete, valamint jó kudarctűrés és nagymértékű kitartás, érdeklődés a nehezebb, alkalmazott elméleti problémák iránt.

Témavezetők:
Hadházi Dániel
Dr. Hullám Gábor

 

3/C) 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 témalabor 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
Dr. Hullám Gábor
Millinghoffer András
 

További Információ a lap alján nyíló tájékoztatóban található.

 

3/D) Neurális hálók és mély tanulás 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. A témalabor 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.

Témavezetők:
Dr. Bolgár Bence
Dr. Hullám Gábor
Hadházi Dániel

További Információ a lap alján nyíló tájékoztatóban található.

 

Dr. Bolgár Bence további témái:

1. Neurális differenciálegyenletek használata fizikai problémákban.

A témalabor célja a differenciálható programozás megismerése, amely lehetővé teszi általánosabb számítások, például numerikus integrátor beépítését a neurális hálózatokba. Az efféle hibrid hálózatok ugyanúgy taníthatók, mint a hagyományos társaik, miközben magasabb szintű "tudással" bírnak (például fizikai, kémiai modelleket foglalnak magukba). Erre lehet példa egy olyan hálózat, amely egyszerűbb gépeket tervez a mechanika törvényei, mozgásegyenletek ismeretében. A témára a gépi tanulás mellett fizikai érdeklődésű hallgatók jelentkezését várom.

2. Genetikai adatok elemzése lineáris kevert modellek felhasználásával.

A témalabor célja a genetikai adatelemzésben gyakran használt lineáris kevert modellek megismerése. Ezek a modellek lehetővé teszik különböző fenotípusos jegyek (pl. adott betegség jelenléte) és genetikai faktorok közötti összefüggések megállapítását, miközben kiküszöbölik a populációs struktúrából adódó hamis találatokat. A modellek hátránya, hogy nagy adatmennyiség esetén rendkívül számításigényessé válnak, így szükségessé válik közelítő megoldások, illetve speciális hardver (GPU) használata. A témára statisztikai érdeklődésű hallgatók jelentkezését várom, akik szívesen töltenek időt az implementáció hatékonyságának növelésével.

3. Bayes-szűrők alkalmazása idősor-előrejelzési feladatokban.

A témalabor célja a Kálmán-szűrőhöz hasonló, ám annál általánosabb Bayes-szűrők megismerése, illetve ezek alkalmazása navigációs vagy logisztikai (például GPS tracking, kereslet-előrejelzési) problémákban. A modell általános és esetenként komplex jellege miatt rendszerint csak közelítő megoldások adhatók; a munka során ezek közül az ún. Laplace-approximációt kell implementálni, amely egyszerűsége ellenére többnyire kielégítő teljesítményt nyújt. A témára elsősorban valószínűségszámítási és gépi tanulási érdeklődésű hallgatók jelentkezését várom.

4. Federated Learning és Secure Multiparty Computation.

A témalabor célja egy újfajta, elosztott gépi tanulási paradigma, a federatív tanulás megismerése. Ennek során több partner részvételével próbálunk egy közös modellt (tipikusan neurális hálózatot) tanulni oly módon, hogy a partnereknél lévő adatok védelme mindvégig garantált. Erre egy példa az okostelefonok autocomplete/autocorrect szolgáltatása, ahol a javaslatokat generáló modellt a felhasználók által begépelt szavak segítségével tanítjuk. A gyakorlatban több elosztott tanulási sémát és kriptográfiai megoldást dolgoztak ki; a munka során a PySyft könyvtár felhasználásával kell létrehozni mély tanulási modellt egy közösen megbeszélt problémára. Elsősorban gépi tanulási, kriptográfiai/számelméleti érdeklődésű hallgatók jelentkezését várom.

5. Bayesi többkarú rablók.

A témalabor célja a bayesi többkarú rablókkal való megismerkedés. Ez a módszercsalád az ún. "exploration vs. exploitation" problémára ad statisztikai megolást, azaz képes adott jutalomfüggvény maximalizálása érdekében optimális módon egyensúlyozni a problématér felderítése és a már begyűjtött tudás kihasználása között. A bayesi többkarú rablók számos alkalmazással bírnak a megerősítéses tanulástól kezdve a webanalitikáig, hirdetéskihelyezésig; a munka során egy közösen megbeszélt problémára kell felállítani egy valószínűségi modellt, majd ágenseket implementálni. A témára valószínűségszámítási, gépi tanulási érdeklődésű hallgatók jelentkezését várom.

 

 

4.) 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

További Információ a lap alján nyíló tájékoztatóban található.

További kapcsolódó tárgylapok: 
© 2010-2021 BME MIT | Hibajelentés | Használati útmutató