Tanszéki konzulens: 

Dániel Hadházi tudományos segédmunkatárs Szoba: IE 335 Tel.: +36 1 463-1265 Email: hadhazi (*) mit * bme * hu

Napjainkban a neurális paradigmán alapú, gépi tanulást alkalmazó megoldások számos problématerületen pontosságban, robusztusságban megelőzik az algoritmikus megközelítéseken alapuló megoldásokat. Gyakorlati alkalmazásuk során azonban sokszor jelentős korlát azok túl nagy belépési költsége – a naiv end-to end learning alapú megoldások általában irreálisan sok, jó minőségű tanítómintát igényelnek, melyek beszerzése gyakorlati problémák esetén sokszor drágább, mint a projekt tejes költségvetése. Egérutat adhatnak a probléma szempontjából a foundation modellek és a transfer learning alkalmazása, de igazán jó, robusztus megoldások elkészítéséhez sokszor ez sem elég.  

A gépi tanulás eszközei függvény, illetve eloszlás approximációra képesek – a bemeneteikben mintázatokat keresnek (pattern recognition), melyek jelenléte / behallucinálása alapján hoznak meg döntéseket (black-box jelleggel). Bár kétségtelen, hogy algoritmizálni a mintázatkeresést kiemelten nehéz feladat, azonban számos probléma esetén rendelkezhetünk szakmai / szakértői háttérismerettel, melyet a neurális hálózatok csak sok, jó minőségű, diverz és a valódi alkalmazás terület körülményeire jellemző zajjal terhelt, annotált mintából képesek csak approximálni. Ez az approximáció azonban még mindig esetleges, nem magyarázható és sokszor nem is kellően robusztus. Érdekes, fontos gyakorlati relevanciával rendelkező kutatási téma ezen szakértői ismeretek és a tanulórendszerek kombinációja, ezáltal olyan hibrid intelligens – szakértői megoldások létrehozása, ami robusztusan képes feladat ellátására.

Megvalósítható feladatok:

A hallgató saját ötletével is kereshet, azonban a teljesség igénye nélkül pár példa:

• Alakmodell és neurális hálózatok kombinált alkalmazása orvosi szegmentáció esetén
• Inverz feladatok (zajos, torzító rendszer kimenete alapján a bement becslése) képek esetén (pl. vak dekonvolúció, denoising)
• Összetett fizikai rendszereket közelítően modellező algoritmikus eljárások elemeinek neurális hálózatokkal történő tanítása (pl. röntgen rekonstrukció)

Szükséges kompetenciák:

Elhivatottság, motiváció a neurális hálózatok viselkedésének, valamint a választott gyakorlati feladat részleteinek megismerésére. Elvárás a Python nyelv ismerete. Szükséges matematikai apparátus iránti érdeklődés (numerikus optimalizáció módszerei, analízis, statisztika), jó kudarctűrés (nem csak egy konzerv megoldás felparaméterezése a feladat).

Hallgató számára mit nyújt a téma:

Szakdolgozat, diplomamunka írása mellett a téma alkalmas arra, hogy eredményeit TDK konferencián is prezentáljuk. Mivel a célzott feladatok számos, gyakorlati probléma megoldása esetén is relevánsak, ezért tanszéki-ipari együttműködésekben történő részvétel, valamint nemzetközi, tudományos fórumokon történő prezentáció is lehetséges. Abban az esetben is sokat profitálhat a Hallgató, ha a konkrét, választott feladat esetén nem sikerül átütő eredményt elérnie (hiszen alaposan megismerheti olyan eszközök működését, gyakorlati problémák részleteit, melyek a számítástechnika területén egyre fontosabbá válnak, valamint egyéni érdeklődésének részét képezik).