témavezető: Fazekas Attila
helyszín (magyar oldal): Debreceni Egyetem Informatikai Kar helyszín rövidítés: ITDI
A kutatási téma leírása:
A bináris osztályozás és a multi-class osztályozás számos problémával terhelt. Egyrészt a tanításra használható adathalmazok gyakran kiegyensúlyozatlanok, zajosak és/vagy méretük sem ideális. Másrészt az osztályozók hatásfokát kifejező performance score-ok meghatározásával kapcsolatban is számos problémára derült fény az elmúlt időszakban.
A fentiek alapján érdemes vizsgálatokat folytatni az osztályozók viselkedésével, zajérzékenységével és adatbázistól való függőségével kapcsolatban. Másrészt számos kihívással teli az a kutatási terület is, amely az osztályozók jellemzésére használt performance score-ok konzisztenciájának vizsgálatával kapcsolatos. A doktori téma elsősorban ezeket a területeket érinti.
Irodalom
1. Marcel Katulumba Mbiya: Comparative study of set methods for classification: Application of Adaboosting and Random Forest to Binary and Multi-class databases, Our Knowledge Publishing, 2022.
2. Francisco Herrera, Francisco Charte, Antonio J. Rivera, María J. del Jesus: Multilabel Classification, Springer, 2016.
3. Szeghalmy, S.; Fazekas, A. A Highly Adaptive Oversampling Approach to Address the Issue of Data Imbalance. Computers 2022, 11, 73.
4. G. Kovács, A. Fazekas, A new baseline for retinal vessel segmentation: Numerical identification and correction of methodological inconsistencies affecting 100+ papers, Medical Image Analysis 75 (2022) 102300.
Jelentkezési határidő: 2024-05-15
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
