Az adaptív algoritmusok vagy sztochasztikus approximáció elmélete bizonytalan adatokat használó rekurzív (online) módszerek vizsgálatával foglalkozik. A sztochasztikus approximáció számos területen kulcsfontosságú, a gépi tanulástól és a jelfeldolgozástól az irányításelméletig. Klasszikus példái az ilyen módszereknek a sztochasztikus gradiens típusú algoritmusok (pl., LMS), a TD- és a Q-tanulás (megerősítéses tanulás). Gyakran egy ismeretlen, csak zajosan megfigyelhető függvény optimalizálása a cél, amikor is a deriváltak becslésére perturbált paraméterekben vett lekérdezéseket használunk (pl., SPSA: Simultaneous Perturbation Stochastic Approximation és a Gauss simítás). Mivel a gyakorlati alkalmazásoknál a különböző dimenziók eltérő skálázással rendelkezhetnek, így a lépésközt érdemes dimenziónként adaptívan állítani (például, AdaGrad és ADAM). Az ilyen algoritmusoknál elsődleges kérdés a módszer konzisztenciája, határeloszlása és konvergencia sebessége, de az újabb kutatásokban egyre nagyobb hangsúlyt kapnak a nem-aszimptotikus működési garanciák. Lehetséges kutatási irány a perturbációt használó, deriválásmentes algoritmusok elemzése, az adaptív lépésköz állítás, gyorsítási technikák, időben-változó környezetekben adható garanciák, csak parciálisan megfigyelhető rendszerek kezelése, valamint ezek alkalmazásai a gépi tanulásban (pl., megerősítéses- és mély tanulás) és az idősorok elemzésében.
előírt nyelvtudás: angol további elvárások: szilárd alapismeretek a statisztika, a sztochasztikus folyamatok és az optimalizálási módszerek terén, programozás tudás: Python vagy Matlab
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
