Thesis supervisor: András Hajdu
Location of studies (in Hungarian): Debreceni Egyetem Informatikai Kar Abbreviation of location of studies: ITDI
Description of the research topic:
A kutatás célja olyan korszerű gépi tanulómodellek tervezése és optimalizációja, amelyek alkalmasak heterogén adatforrásokból származó adathalmazok adott célfeladathoz való közös modellbe szervezéséhez. A téma fő motivációja, hogy az utóbbi években számos gépi tanuló architektúra került kidolgozásra és terjedt el, viszont ezek az univerzálisan nagyon hatékony modellek nem feltétlenül optimálisak egyes alkalmazásokban. Másik hiányosságuk, hogy alapvetően homogén adatforrásokat feltételeznek, ezért használhatóságuk egy komplex problémakör esetén korlátozott. A legjellemzőbb példa talán a mély konvolúciós neurális hálók esete, ahol a népszerű hálók betanítása természetes képeken történik, viszont adott alkalmazásban az osztályozáshoz szükséges struktúrák egyszerűbbek vagy bonyolultabbak a tanításhoz használt mintázatokhoz képest. A heterogenitásra vonatkozó példa a klímavédelem területén a klímaváltozások/katasztrófák előrejelzése vagy a megújuló energiák optimális felhasználásának problémája, ahol az optimalizációhoz többféle adatforrás áll rendelkezésre, amelyek egységes feldolgozása nem megoldott (műhold fotók, historikus időjárásadatok, historikus keresleti / kínálati adatsorok).
A cél tehát olyan architektúrák tervezése, amelyek mélységükben jobban igazodnak az adott problémához például az ott felhasználható sajátságok szemantikai struktúrájának mélységét tekintve. A sikeres tervezéshez szükséges a fontos struktúrák előzetes modellezése, akár már kész tanulóstruktúrák eredményéből kiindulva.
Irodalomjegyzék:
Yoshua Bengio, Ian J. Goodfellow, Aaron Courville: Deep Learning, MIT Press, 2015.
Terrence J. Sejnowski: The Deep Learning Revolution, The MIT Press, 2018.David Rolnick, Yoshua Bengio et al.: Tackling Climate Change with Machine Learning, University of Pennsylvania, 2019.
J Schmidhuber, S Hochreiter: Long Short Term Memory, MIT Press, 1997.
Mikolov et al.: Efficient estimation of word representations in vector space, ICLR Workshop, 2013
Szegedy et al.: Going Deeper with convolutions, In: CVPR, 2015.
Deadline for application: 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).
Login
