Morzsák

Oldal címe

MILAB - SmartLab (DeepLearning kutatás multi GPU támogatással)

Címlapos tartalom

A projekt mély neurális hálózatok alapkutatási kérdéseit vizsgálja, különös tekintettel a skálázhatóságra, a magyarázhatóságra és a kevés címkézett adattal való tanításra. Célunk, hogy hatékonyabb és jobban értelmezhető modelleket dolgozzunk ki nagyméretű, részben címkézett adathalmazokra. A kutatás során autoenkóder-, gráf neurális háló- és transzformer-alapú módszereket, valamint részben felügyelt és önfelügyelt tanulási megközelítéseket alkalmazunk. A módszerek segítségével hibák, rendellenességek és döntési mintázatok azonosíthatók nagy adatmennyiség esetén. Az eredményeket felhőszolgáltatások hibakeresésében, banki hitelkockázat-előrejelzésben és orvosi képfeldolgozásban demonstráljuk. A HUN-REN Cloud a nagyméretű adatfeldolgozáshoz, modelltréninghez és összehasonlító kiértékelésekhez biztosít skálázható infrastruktúrát.

Publikációk

1 - 5 | 7
Megjelenés éve
2025

Explainable GNN-based Approach to Fault Forecasting in Cloud Service Debugging

Szerzők
Unyi, Dániel; Rigó, Ernő; Gyires-Tóth, Bálint; Lovas, Róbert
Tovább
Megjelenés éve
2025

Semi-Supervised Learning for Loan Default Prediction Leveraging Unlabeled Data from Time-Aware Splits

Szerzők
Unyi Dániel; Gyires-Tóth Bálint
Tovább
Megjelenés éve
2024

Self-Supervised Pretraining for Cortical Surface Analysis

Szerzők
Unyi, Dániel; Gyires-Tóth, Bálint
Tovább
Megjelenés éve
2023

Experiences with Deep Learning Enhanced Steering Mechanisms for Debugging of Fundamental Cloud Services

Szerzők
Lovas, Robert; Rigó, Ernő; Unyi, Dániel; Gyires-Tóth, Bálint
Tovább
Megjelenés éve
2023

Self-Supervised Pretraining for 2D Medical Image Segmentation

Szerzők
Kalapos, András; Gyires-Tóth, Bálint
Tovább