Federált tanulás hierarchikus heterogén adatok esetén
docens
Szoba: E435
Tel.:
+36 1 463-2677 Email: antal (*) mit * bme * hu |
A kiírás adatai
Az adatok egyre növekvő elosztottsága miatt rendkívül gyors fejlődésen megy át a federált tanulás paradigmája. Az adat elosztottsága mellett azonban heterogenitása továbbra is alapvető kihívást jelent, praktikusan adatharmonizációt, amely sok esetnben információvesztést eredményez. A kutatás célja olyan federált tanulási módszerek fejlesztése, amelyek képesek használni az egyes partnereknél lévő különböző absztrakciós szintű adatot.
Az adatelemzés tárgyterülete gyakran rendelkezik ontológiával vagy legalábbis egy taxonómiával/hierarchiával, és az is gyakori, hogy az egyes mintákban az adat különböző absztrakciós szinten érhető csak el. Ennek kezelésére több gépi tanulási megoldás is született, mind például valószínűségi gráfos modellek és neurális hálózatok esetén. Az önálló munka célja ilyen létező megoldások adaptálása egy federált tanulási keretbe.
A téma az emberközpontú MI kiegészítő mesterképzés (HCAIM) hallgatóinak kifejezetten ajánljott, mivel a feladat kiterjedhet a mesterséges intelligencia alkalmazásának társadalmi és személyi (etikai, erkölcsi, jogi, biztonsági, megbízhatósági, értelmezhetőségi, esélyegyenlőségi stb.) szempontjaira is. Részletek: https://hcaim.bme.hu/en/msc-bme/