témavezető: Kovács Péter
helyszín (magyar oldal): Eötvös Loránd Tudományegyetem, Informatikai Kar helyszín rövidítés: ELTE
A kutatási téma leírása:
Gépi tanulás segítségével számos jelfeldolgozásban előforduló feladat oldható meg. Az ilyen jellegű megközelítések különösen nagy előnyt jelentenek abban az esetben, ha a bemeneti jelek nem stacionárius jellegűek, illetve ha a feladat megoldása nemlineáris operátorok modellezését igényli. Ennek ellenére számos alkalmazási területen (pl. biológiai jelek feldolgozása, autonóm járművek irányítása, kritikus infrastruktúra irányítása, hibadetektálása) a gépi tanulási módszerek alkalmazása nehézségekbe ütközik. Ennek egyik fontos oka, hogy a gépi tanulás segítségével (különösen neurális hálók által) létrehozott modellek általában emberek számára nehezen értelmezhető paraméterekkel írhatóak le. További problémát jelent, hogy az ilyen modelleket jellemzően sok millió paraméter határozza meg, alkalmazásuk pedig emiatt költséges számításokat igényel. A modell-vezérelt gépi tanulási módszerek interpretálható (explainable artificial intelligence (XAI)) alternatívát kínálnak a tisztán adatvezérelt algoritmusokkal szemben. Ilyen eljárások esetén a gépi tanulási módszereket klasszikus matematikai transzformációkkal egészítjük ki. Mivel ezen transzformációk paraméterei jellemzően konkrét fizikai jelentéssel bírnak, ezért az így kapott modellek értelmezhetőbb struktúrát biztosítanak. Ezen kívül a jól megválasztott transzformációk bevezetése egyszerűsíti a modell felépítését, így lehetőség nyílik a módszerek valós idejű alkalmazására.
A doktori kutatás során a hallgató modell-vezérelt tanuló algoritmusok kidolgozását végzi különböző matematikai transzformációk és mesterséges intelligencia módszerek összekapcsolásával (pl. wavelet transzformáció összekapcsolása neurális hálókkal). A kidolgozott algoritmusokat konkrét mérnöki (pl. fékrendszer hibáinak detektálása) és biológiai jelfeldolgozási (pl. EKG, EEG jelek) feladatok megoldását szolgálják. A kutatás során fontos hangsúlyt kap az eredmények gyakorlati alkalmazhatóságának vizsgálata. A módszereket a hallgató oly módon implementálja, hogy az elkészült megoldások eleget tegyenek a gyakorlatban előforduló követelményeknek, mint például a paraméterek értelmezhetősége, illetve a valós idejű alkalmazhatóság. Szintén fontos szempont, hogy a javasolt algoritmusok és matematikai modellek ne igényeljenek költséges célhardvert (pl. GPU) a valós idejű futás megvalósításához. Ez csökkenti a kidolgozott eljárások alkalmazásának anyagi költségeit, illetve kisebb energiaigényű, a környezetre kevésbé káros hardverek (pl. mikrovezérlők, FPGA-k) használatát teszi lehetővé.
további elvárások: A hallgatónak a modell-vezérelt eljárások kidolgozásához szükséges matematikai ismeretekkel (numerikus analízis, approximáció elmélet, Fourier analízis), illetve jó programozói készséggel kell rendelkeznie.
felvehető hallgatók száma: 1
Jelentkezési határidő: 2024-05-31
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
