Intelligens Rendszerek Kutatócsoport témalaborok

A csoport témalabor kiírásai az alábbiak:

 

1.) Autonóm és kooperatív intelligens rendszerek

1/A) Autonóm intelligens rendszerek

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.

 

1/B) Kooperatív intelligens rendszerek

Az informatikai szolgáltatások és alkalmazások megvalósításában egyre nagyobb szerephez jutnak az önálló, környezetük eseményeire, elvárásaira intelligens módon reagálni képes rendszerek (ágensek) és az ezekből felépülő többágens-, emberekkel is együttműködő megoldások. A kooperáció révén képesek sokkal komolyabb kihivásokkal is szembenézni és összetettebb problémákkal is elbánni, mint a központosított rendszerek. Segítik egymást az információk megszerzésében, számítások elvégzésében, okosan osztják meg egymást közt a feladatokat és rugalmasan képesek adaptálódni a környezetükben fellépő változásokhoz.

Témavezetők:
Dr. Dobrowieczki Tadeusz
Dr. Mészáros Tamás
Dr. Kovács András

További Információ a lap alján nyíló tájékoztatóban található.

 

2.) Szemantikus technológiák és szövegbányászat

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. Strausz György
Dr. Mészáros Tamás
 

További Információ a lap alján nyíló tájékoztatóban található.

 

3.) Gépi tanulás

3/A) 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.

 

3/B) 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.

 

4.) Orvosbiológiai 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: 
© 2010-2019 BME MIT | Hibajelentés | Használati útmutató