Adattudománnyal foglalkozom, szakterületeim a Machine Learning, az idősorelemzés és előrejelzés, valamint a nagyléptékű rendszerek optimalizálása.

Munkám középpontjában az elméleti modellezés és a valós alkalmazások összekapcsolása áll a tartalomszolgáltató hálózatok (CDN-ek), streaming rendszerek és adatvezérelt infrastruktúrák területén. Kiemelten érdekelnek a hatékony algoritmusok, a prediktív modellezés és az energiahatékony rendszertervezés.

Több olyan kutatási projektben vettem részt, amelyek a statisztikai modellezést és a mélytanulást ötvözik:

• Kifejlesztettem egy hibrid LSTM–attention architektúrát az élő televíziós nézettség rövid távú előrejelzésére, amely integrálja az időbeli dinamikákat, a kontextuális jellemzőket és a rezsimtudatos modellezést. A modell kiemelkedően pontos előrejelzéseket biztosít nagyméretű IPTV adathalmazokon.

• Megterveztem egy Markov-lánc-alapú analitikus modellt a Perfect LFU gyorsítótárazási algoritmushoz, amely egy régóta fennálló modellezési hiányosságot old meg a gyakoriságalapú cache-algoritmusok területén, és lehetővé teszi a CDN-rendszerek gyakorlati optimalizálását és méretezését.

• Javasoltam a Top-LRU nevű új cache-evikciós stratégiát, amely a neurális előrejelzést hagyományos gyorsítótárazási módszerekkel kombinálja, és akár 7,2%-kal javítja a cache találati arányt élő streaming környezetekben.

Munkám az alábbi területek metszéspontjában helyezkedik el:

– Gépi tanulás (LSTM, előrejelzés, neurális architektúrák)

– Adatmérnökség és nagyléptékű adatelemzés

– Algoritmustervezés és sztochasztikus modellezés

– Elosztott rendszerek és streaming infrastruktúrák