MILAB - SmartLab (DeepLearning kutatás multi GPU támogatással)

Projektünk célja a mély neurális hálózatokhoz kapcsolódó alapkutatási kérdések vizsgálata, kifejezetten a skálázhatóságra, a magyarázhatóságra és a kevés címkézett adattal való tanítás lehetőségeire. Azt kutatjuk, hogyan tehetők ezek a modellek hatékonyabbá és jobban értelmezhetővé nagyméretű, részben címkézett adathalmazokra. A kidolgozott módszereket különböző big data alkalmazási területeken demonstráljuk.

Kutatásaink középpontjában az áll, hogyan lehet modern mélytanulási módszerekkel összetett rendszerek működését jobban prediktálni és értelmezni. Vizsgáljuk, miként azonosíthatók hibák vagy rendellenességek nagy mennyiségű adat esetén, illetve hogyan tárható fel, hogy egy neurális modell milyen mintázatok alapján hoz döntést. Kiemelt kérdés az is, hogyan használható fel hatékonyan a sok rendelkezésre álló, de nem vagy csak részben címkézett adat. A kutatási eredményeket felhőszolgáltatások hibakeresésében, banki hitelkockázat-előrejelzésben és orvosi képfeldolgozásban alkalmazzuk. A HUN-REN Cloud a számításigényes tanítási és kiértékelési feladatokhoz biztosított skálázható infrastruktúrát.

A projekt során mélytanulási módszereket alkalmazunk, többek között autoenkóder, gráf neurális háló és transzformer alapú modelleket. A kevés címkézett adattal való tanítás támogatására részben felügyelt és önfelügyelt tanulási megközelítéseket használunk. A HUN-REN Cloud erőforrásait adatintenzív feldolgozási feladatokra, nagyméretű modelltréningre, és összehasonlító kiértékelésekre használjuk.