témavezető: Gulyás László
helyszín (magyar oldal): Eötvös Loránd Tudományegyetem, Informatikai Kar helyszín rövidítés: ELTE
A kutatási téma leírása:
Az elmúlt két évtized során a mesterséges intelligencia és a mély tanuláson (DL – Deep Learning) alapuló technológiák jelentős fejlődésen mentek keresztül – korunk egyik leginkább kutatott témái közé sorolhatóak. A neurális hálózatok és DL ennek köszönhetően elengedhetetlen eszközzé vált számos, gyakran biztonságkritikus ipari alkalmazásterületen, mint például a robotika vagy az egészségügy. A technológia ipari alkalmazása révén fény derült a “black box” modellek hátrányaira, melynek hatására kifejlesztésre kerültek olyan megoldások, melyek (1) lehetővé teszik a modellek magyarázhatóságát, ezzel betekintést engedve a modell belső működésébe, valamint (2) a modellek validációján keresztül biztosítják a biztonságos működést és robusztusságot.
Az egyik fontos ipari alkalmazási terület, ahol – sok más területhez hasonlóan – a probléma komplexitása nem teszi lehetővé a hagyományos, szabály alapú rendszerek használatát, az önvezető autók fejlesztése. A konvolúciós neurális hálózatok (CNN) már jelenleg is kiemelt fontossággal bírnak az önvezető autók környezetérzékelő komponenseiben. A gráf alapú adatreprezentáció és a gráf neurális hálózatok (GNN) közelmúltbeli megjelenése hasonló eredményt hozhat a tervezés és predikció területén. A GNN megoldások képesek az adatban látható kapcsolatok és kölcsönhatások hatékony modellezésére. Működésükből adandóan azonban nem magyarázhatók. Mivel a legnagyobb autóipari cégek jelenleg is dolgoznak olyan ipari szabványokon, melyek CNN-ek validációját írják le, a GNN lehet az a technológia, mely a következő években hasonló figyelmet kap.
A dolgozat célja, hogy megvizsgálja a jelenleg is elérhető DL modell-validációs technikákat, valamint ezeket adaptálja a GNN modellek esetére. Cél még továbbá az adaptált technikák alkalmazhatóságának tesztelése és demonstrálása. A munka során különböző forrásokból származó, nyilvánosan elérhető adathalmazok (közlekedési adatok, kémiai kölcsönhatásokat leíró adatok, molekula szerkezeti adatok, szociális hálózatok, stb.), valamint ipari adathalmazok használata is lehetséges. A dolgozat fő célja egy, a modellek magyarázhatóságára fókuszáló GNN validációs stratégia kidolgozása, amely az önvezető autó fejlesztésben is alkalmazható.
előírt nyelvtudás: Angol ajánlott nyelvtudás (magyar oldal): magyar további elvárások: Python, adatfeldolgozó könyvtárak (Numpy, Pandas), Deep Learning fejlesztő könyvtárak (TensorFlow-Keras or Pytorch), Gráf-alapú adatfeldolgozó könyvtárak (Pytorch Geometric, NetworkX, etc.)
Deep learning, Gráf Neurális Hálózatok
felvehető hallgatók száma: 1
Jelentkezési határidő: 2023-05-31
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
