Tanszéki konzulens: 

Pogány Domonkos doktorandusz Szoba: IE 322 Tel.: +36 1 463- Email: pogany (*) mit * bme * hu

A gépi tanuláson belül egy egyre népszerűbb kutatási irányzat a nem-euklideszi terekben történő tanulás. Az utóbbi pár évben számtalan folyóirat és konferenciacikk (NeurIPS, ICML, ICLR, CVPR, …) született a hiperbolikus beágyazásokról. Segítségükkel kisebb torzítással és lényegesen kevesebb dimenzióval lehet rejtett hierarchikus struktúrával rendelkező adatokat beágyazni egy negatív görbületű térbe, ráadásul egyfajta magyarázat is kinyerhető a látens beágyazás pozíciója alapján.
A látens reprezentációkon túl maguk a modell paraméterek is ábrázolhatóak hiperbolikus terekben, valamint a differenciális geometria eszköztárával gradiens is számolható rájuk. Így a klasszikus gépi tanulás területéről ismert legtöbb módszernek és modellnek (MLP, VAE, GNN, GCN, …) kidolgozható egy hiperbolikus változata.

A kutatómunka során lehetőség nyílik megismerkedni ezen hiperbolikus módszerekkel, illetve ezek különböző kemo/bioinformatikai problémákra történő alkalmazásával (reprezentációtanulás, génexpressziós adatok osztályozása, gyógyszermolekulák generálása, …). Továbbá, igény szerint lehetőség van saját adatokkal, illetve tetszőleges felügyelet nélküli, regressziós, klasszifikációs, illetve generatív modellekkel is dolgozni (egyeztetés után).