ELTE-SMARTER kutatócsoport

A kutatócsoport az ELTE IK Numerikus Analízis Tanszékén alakult 2024-ben az ELTE Egyetemi Kiválósági Alap Kutatócsoporti Alprogramjának 65.458.800 millió forintos támogatásával. A kutatócsoport modellvezérelt gépi tanulással foglalkozik, amely az értelmezhető mesterséges intelligencia (XAI) új és gyorsan fejlődő területe. A megközelítés matematikai és fizikai heurisztikákat (pl. ritkaság, simaság, dinamikus jellemzők) integrál a gépi tanulási algoritmusok architektúráiba, veszteségfüggvényeibe, sőt akár a tanító adatokba is. Ez az irány csökkenti a mélytanulás nagy adatfüggőségét és bonyolultságát, miközben a betanított modellek döntési mechanizmusa értelmezhetővé válik. Az eredmények biztonságkritikus alkalmazásokban kerülnek hasznosításra, mint például autonóm járműirányítás, egészségügy, intelligens közlekedési és energiarendszerek, ahol a teljesítmény mellett a döntéshozatal átláthatósága és értelmezhetősége kulcsfontosságú.

Csoport saját honlapja: intézeti link

• Modellvezérelt MI: paraméterezett ortogonális projekciókat, konvex optimalizálási technikákat és differenciálegyenleteket kombinálunk MI modellekkel különböző modellvezérelt paradigmákban, úgymint változóprojekció, deep unfolding és fizikailag informált tanulás.
• Utólagos XAI: a modellvezérelt MI átlátható döntéshozatalt kínál, de nem mindig illeszkedik a szakterületi tudáshoz. Például egy matematikailag értelmezhető modell frekvenciákat és statisztikákat nyerhet ki, de egy kardiológus számára, aki az EKG morfológiáját és időzítését használja diagnózishoz, ez nem feltétlenül világos. Ezért ötvözzük a modellalapú MI megközelítéseket utólagos értelmezési elemzéssel, hogy hasznos betekintést nyújtsunk a gyakorlati felhasználóknak.
• Biztonságkritikus alkalmazások: modellalapú XAI módszerek alkalmazása termográfiás képalkotásban (roncsolásmentes vizsgálatokhoz), járműrezgés-elemzésben (féktárcsa-deformáció és csapágyhibák kimutatására), multimodális bioszignál-elemzésben, például EEG.
• EKG és PPG feldolgozásban, forgalmi terhelésbecslésben és közeli-baleseti szituációk előrejelzésében városi közlekedésben, önvezető vonatok irányításában, valamint megújuló energia előrejelzésében.
• Edge hardver implementáció: erőforráshatékony tanulási eljárások fejlesztése, amelyek kevesebb tanítóadatot és számítási kapacitást igényelnek, gyors algoritmusok valós idejű feldolgozáshoz, valamint beágyazott MI megoldásokhoz.

• Fizikai alapú előfeltevések (pl. szimmetriák, megmaradási törvények) beágyazása a neurális hálók hierarchikus architekturális tervezésébe (pl. gráf neurális hálók). Tanulási torzítások bevezetése dinamikai egyenletekkel és puha büntetőfeltételekkel a veszteségfüggvényben.
• Iteratív numerikus algoritmusok (pl. ADMM, FISTA) átalakítása neurális hálókká, ahol minden réteg egy iterációt utánoz tanítható paraméterekkel.
• Utólagos MI módszertanok alkalmazása, mint vizualizációk (hőtérképek, t-SNE), eset-alapú érvelés, valamint jellemző-hozzárendelés értékelése Shapley-értékekkel és integrált gradiens módszerekkel.

• Dr. habil. Kovács Péter (kutatócsoport-vezető, MTMT, Tud-O-Méter)
• Dr. Dózsa Tamás, adjunktus
• Dr. Bognár Gergő, adjunktus
• Ámon Attila Miklós EKÖP-KDP doktori hallgató (ipari partner: Siemens Mobility Hungary Kft.)
• Galiger Gergő EKÖP-KDP doktori hallgató (ipari partner: BKK Zrt. Modellezés és adatelemzés osztály)
• BSc és MSc hallgatók

• 1 hazai pályázat (ELTE University Excellence Program EKA-KCS-24, Nr.: 2024/089-P253-1)
• 1 nemzetközi pályázat (DAAD Programmes for Project-Related Personal Exchange 2024, Nr.: DAAD-2025-26-000009)
• 3 ipari projekt a Siemens Mobility Hungary Kft., a Budapesti Közlekedési Központ (BKK) Zrt., valamint a Research Center for Non-Destructive Testing GmbH együttműködésével

• T. Dózsa, C. Böck, J. Meier, P. Kovács: Weighted Hermite variable projection networks for classifying visually evoked potentials, IEEE Transactions on Neural Networks and Learning Systems (2024) [DOI]
• E. Idrobo-Ávila, G. Bognár, D. Krefting, T. Penzel, P. Kovács, N. Spicher: Quantifying the suitability of biosignals acquired during surgery for multimodal analysis, IEEE Open Journal of Engineering in Medicine and Biology (2024) [DOI]
• T. Dózsa, V. Jurdana, B. S. Šegota, J. Volk, J. Radó, A. Soumelidis, P. Kovács: Road type classification using time-frequency representations of tire sensor signals, IEEE Access (2024) [DOI]
• T. Dózsa, P. Őri, M. Szabari, E. Simonyi, A. Soumelidis, I. Lakatos: Brake disc deformation detection using intuitive feature extraction and machine learning, Machines (2024) [DOI]
• P. Kovács, B. Lehner, G. Thummerer, G. Mayr, P. Burgholzer, M. Huemer: Surfing virtual waves to thermal tomography: from model- to deep learning-based reconstructions, IEEE Signal Processing Magazine, (2022) [DOI]

Dr. Kovács Péter: kovika@inf.elte.hu