Nyika Benedek

Mélytanuló modellek alkalmazása alacsony mintaszámú és kiegyensúlyozatlan adathalmazok feldolgozásához

Debreceni Egyetem

Informatikai Tudományok Doktori Iskola

Bogacsovics Gergő

egyéni

PhD

A kutatás célja korszerű mesterséges intelligencia alapú megoldások fejlesztése és alkalmazása különféle specializált feladatok támogatására és megoldására, különös tekintettel a kis mintaszámú, zajos és kiegyensúlyozatlan adathalmazok esetében. Ennek megvalósításához olyan újszerű módszerek kerülnek kidolgozásra, melyek különféle hagyományos, illetve generatív mesterséges intelligencia alapú megoldásokat használnak, esetenként ötvöznek, amelyekkel bővíthető, zajmentesíthető vagy kiegyensúlyozható az eredeti adathalmaz, lehetővé téve robosztus mélytanuló modellek betanítását. Az elkészített megoldások általánosan alkalmazhatóak különböző területeken, mint a gépi látás, illetve szövegfeldolgozás, ezáltal lehetőséget biztosítanak a különféle adatmodalitások, mint a természetes szövegek, illetve képek, vagy akár orvosi felvételek, műholdképek hatékony, mesterséges intelligencia alapú feldolgozására. Irodalom 1. Tomczak, J. M.: Deep generative modeling. Springer International Publishing, 2024. 2. Wang, J., Chen, Y.: Introduction to transfer learning: algorithms and practice. Springer Nature, 2023. 3. Abhishek, K., Abdelaziz, M.: Machine learning for imbalanced data: tackle imbalanced datasets using machine learning and deep learning techniques. Packt Publishing Ltd., 2023. 4. Szeliski, R.: Computer vision: algorithms and applications. Springer Nature, 2022. 5. Goodfellow, I., Bengio, Y., Courville, A.: Deep learning. MIT Press, Cambridge, 2016.

2025-09-01

2029-08-31

folyamatban lévő

Mélytanuló modellek alkalmazása alacsony mintaszámú és kiegyensúlyozatlan adathalmazok feldolgozásához