Wykaz obszarów badawczych związanych z tagiem Machine-learning:
| # | Obszar badawczy | Dziedzina naukowa |
|---|---|---|
| 1 |
zob. https://www.gagolewski.com/
|
|
| 2 |
Wykorzystanie technologii informacyjnych do proaktywnej detekcji (identyfikowania i wykrywania) treści dezinformacyjnych i misinformacyjnych - zautomatyzowane metody flagowania treści dezinformacyjnych, śledzenia kanałów propagacji, wykrywania oryginalnych źródeł rozprzestrzeniania się fałszywych informacji. Interesują mnie przede wszystkim projekty umożliwiające połączenie nauk inżynieryjnych z naukami społecznymi w zakresie zapobiegania i zwalczania dezinformacji, m.in. przez zastosowanie metod Generative Adversarial Networks i Large Language Models, w powiązaniu z analizą psychospołeczną problemu. Ważna jest dla mnie orientacja tematu na kwestie związane z wpływem dezinformacji na sytuacje kryzysowe, amplifikację nastrojów społecznych, manipulację opinią publiczną (kryzysy zdrowia publicznego, katastrofy naturalne, działania wojenne wykorzystujące metody asymetryczne i hybrydowe).
|
|
| 3 |
1) Metody wykrywania i klasyfikacji nieprawidłowości pracy serca wykorzystujące techniki uczenia głębokiego - dotyczy technik i algorytmów przetwarzania sygnałów EKG do automatycznej detekcji i klasyfikacji nieprawidłowości pracy serca z wykorzystaniem metod głębokiego uczenia maszynowego. Planowane jest zastosowanie różnorodnych głębokich konwolucyjnych sieci neuronowych do automatycznej analizy struktury (przebiegu) sygnału EKG, jak również mechanizmów wykrywania anomalii (odchyleń) i wyszukiwania informacji opartych o sieci neuronowe typu autoenkoder. Prace będą prowadzone we współpracy z Katedrą i Kliniką Intensywnej Terapii Kardiologicznej i Chorób Wewnętrznych Uniwersytetu Medycznego im. Karola Marcinkowskiego w Poznaniu. 2)Metody wykrywania i klasyfikacji nieprawidłowości pracy serca wykorzystujące wskaźniki zmienności rytmu serca (HRV) oraz techniki uczenia maszynowego - dotyczy technik i algorytmów przetwarzania sygnałów EKG do automatycznej detekcji i klasyfikacji nieprawidłowości pracy serca z wykorzystaniem metod uczenia maszynowego. Planowane jest zastosowanie wielu róznorodnych parametrów zmienności rytmu serca (HRV - Heart Rate Variablity), jak również nowych oryginalnych parametrów asymetrii rytmu serca (HRA - Heart Rate Asymmetry). Prace będą prowadzone we współpracy z Katedrą i Kliniką Intensywnej Terapii Kardiologicznej i Chorób Wewnętrznych Uniwersytetu Medycznego im. Karola Marcinkowskiego w Poznaniu. 3)Pasywna radiolokacja obiektów kosmicznych za pomocą sygnałów rejestrowanych przez anteny międzynarodowej sieci radioteleskopów LOFAR - dotyczy technik i algorytmów przetwarzania sygnałów rejestrowanych przez anteny sieci radioteleskopów LOFAR (Low-Frequency Array for radio astronomy) w celu ich wykorzystania do pasywnej radiolokacji obiektów kosmicznych: satelitów na niskich orbitach i tzw. smieci kosmicznych. Rozpatrywany sytem radiolokacji pasywnej nie wymaga budowy dedykowanych nadajników, a wykorzystuje tzw. nadajniki okazjonalne, będące np. nadajnikami sygnałów radiowych FM, DAB+ lub telewizyjnych DVB-T. Sygnały te po dobiciu od obiektów odbierane są przez anteny systemu LOFAR. Prace w tym obszarze prowadzone we współpracy z Centrum Badań Kosmicznych PAN są pionierskie na skalę światową. Trzy stacje LOFAR znajdują się w Polsce. Pojedyncza stacja LOFAR składa się z wielu anten tworząc radioteleskop o dużych rozmiarach mogący odbierać stosunkowo słabe sygnały.4) Metody i algorytmy przetwarzania sygnałów w pasywnej radiolokacji małych bezzałogowych statków powietrznych (dronów) - dotyczy technik i algorytmów przetwarzania sygnałów dedykowanych do pasywnej radiolokacji małych bezzałogowych staków powietrznych, tzw. dronów. Prace będą prowadzone we współpracy z Wydziałem Mechanicznym Energetycznym i Lotnictwa Politechniki Warszawskiej na zakupionym niedawno przez Politechnikę Warszawską lotnisku w Sierakowie koło Przasnysza, gdzie powstało Laboratorium Monitorowania Obszaru z czterema stacjami antenowymi. Problemy do rozwiązania w ramach obszaru badawczego związane są z detekcją małych obiektów latających z wykorzystaniem specyficznych cech sygnałów odbitych od rozpatrywanych obiektów, estymacją ich parametrów, śledzeniem, a także klasyfikacją wykrytych obiektów, w szczególności badania mają dotyczyć możliwości odróżnienia małych dronów od ptaków. 5) Optymalizacja metod i algorytmów identyfikacji osób na podstawie sygnału EEG z wykorzystaniem technik uczenia maszynowego - dotyczy metod i algorytmów identyfikacji osób na podstawie sygnału EEG z wykorzystaniem technik uczenia maszynowego. Planowane jest zastosowanie podejścia bazującego zarówno na cechach spektralnych sygnału EEG w poszczególnych jego pasmach, jak również analizy samego przebiegu sygnału EEG za pomocą tzw. technik uczenia głębokiego z wykorzystaniem splotowych (konwolucyjnych) sieci neuronowych. Prace obejmować będą dobór i optymalizację parametrów sygnału EEG i klasyfikatorów wykorzystywanych do identyfikacji osób, liczby sesji koniecznych do nauczenia klasyfikatorów, minimalnej liczby elektrod używanych do identyfikacji, a także opracowanie opasek/czepków dedykowanych do zbierania sygnału EEG dla rozpatrywanego zastosowania i przebadanie opracowanych rozwiązań w warunkach zbliżonych do ich praktycznej implementacji. Prace będą prowadzone we współpracy z Instytutem Biologii Doświadczalnej im. M. Nenckiego Polskiej Akademii Nauk
|
|
| 4 |
System Operacyjny i Utrzymania w Sieciach Mobilnych 6G: analiza wpływu narzędzi uczenia maszynowego na zarządzanie siecią jako całością (środowisko wieloagentowe)
|
|
| 5 |
""Badania w obszarze zarządzania łańcuchem dostaw (ŁD): elastyczność i odporność ŁD na zjawiska wewnętrzne jak i zaburzenia występujące globalnie (katastrofy naturalne, wojny, choroby, sankcje), zarządzanie i kształtowanie ŁD, zaopatrzenie produkcji, dystrybucja, zarządzenie ryzykiem, opracowanie i/lub zastosowanie narzędzi wspomagania decyzji w ŁD z wykorzystaniem maszynowego uczenia, sztucznej inteligencji, symulacji.
Badania w obszarze logistyki miejskiej: planowanie systemu dystrybucji ładunków, opracowanie nowatorskich rozwiązań na potrzeby logistyki ostatniego kilometra, kształtowanie infrastruktury na potrzeby pojazdów przyjaznych środowisku, w tym metody lokalizacji stacji ładowania dla pojazdów elektrycznych, opracowanie i/lub zastosowanie narzędzi wspomagania decyzji w logistyce miejskiej z wykorzystaniem maszynowego uczenia, sztucznej inteligencji, symulacji.""
|
|
| 6 |
widzenie maszynowe (symultaniczna lokalizacja i mapowanie, wyszukiwanie wizualne), uczenie maszynowe (głębokie sieci neuronowe, modele generatywne, uczenie ciągłe), uczenie reprezentacji (deskryptory binarne).
|
|
| 7 |
Metody uczenia maszynowego dla danych społecznych i pomiarowych Zagadnienie jest dedykowane dla osób dysponujących znajomością metod uczenia maszynowego, umiejętnością pozyskiwania i przetwarzania danych oraz zainteresowanych zarówno rozwojem w tym obszarze, jak i zastosowaniami tych metod do zagadnień społecznych. Celem będzie rozwój metod modelowania zachowań transportowych z wykorzystaniem danych z różnych źródeł oraz metod uczenia maszynowego, w tym m.in. metod dedykowanych dla strumieni danych i metod uczenia z przeniesieniem. W szczególności planowane jest wykorzystanie strumieni danych opisujących faktyczną dostępność różnych środków komunikacji i ich łączenie m.in. z danymi pozyskiwanymi z badań ankietowych. Zagadnienie badawcze jest bezpośrednio związane z realizowanym aktualnie międzynarodowym grantem badawczym z udziałem jednostek zajmujących się badaniami społecznymi i modelowaniem zanieczyszczenia powietrza.
|
|
| 8 |
Celem doktoranta będzie wytrenowanie sieci neuronowej w oparciu o rodzinę charakterystyk częstotliwościowych impedancji mierzonych dla magnetycznych pierścieni nanokrystalicznych. Sieć ta umożliwi odwzorowanie mierzonych charakterystyk częstotliwościowych za pomocą modelu obwodu elektrycznego elementów skupionych (LEEC). Zamiarem jest zastąpienie zmodyfikowanej metody Pade'a, opublikowanej w artykule CEM2014, nową metodą opartą na sieci neutralnej (artykuł CEM2014: Szewczyk, J. Pawłowski, K. Kutorasiński, S. Burow, S. Tenbohlen, W. Piasecki, "Identyfikacja funkcji wymiernej w dziedzinie s opisującej charakterystykę częstotliwościową materiału magnetycznego," Proceedings of the 9th International Conference on Computation in Electromagnetics (CEM), 31 marca - 1 kwietnia 2014, Londyn, UK). Więcej informacji, patrz: https://wutwaw-my.sharepoint.com/:w:/g/personal/marcin_szewczyk_pw_edu_pl/Ea6m_83KcehBo-oi2NuWHb8BlwiEg6mxS307fjKB0lp3GA?e=h45tAF
|
|
| 9 |
Metody samonadzorowanego uczenia się (ang. Self-Supervised Learning - SSL) posiadają potencjał do istotnej poprawy wydajności procesu uczenia głębokiego. Kontrastowe metody SSL stały się standardowym podejściem wstępnego pre-trenowania w szeregu dziedzin, takich jak przetwarzanie języka naturalnego (NLP) czy wizja komputerowa (CV). Wstępne wyniki sugerują, że niekontrastowe metody SSL są w stanie istotnie zbliżyć się do wydajności metod kontrastowych, eliminując jednocześnie potrzebę konstruowania explicite negatywnych próbek/przykładów uczących. Celem proponowanych badań jest między innymi: 1) zweryfikowanie w jakim stopniu metody kontrastowe i niekontrastowe mogą być stosowane w nowatorskich architekturach SSL, 2) sprawdzenie czy dopasowanie reprezentacji w SSL można osiągnąć metodami alternatywnymi, takimi jak jako wymuszanie zdolności przewidywania reprezentacji próbki wejściowej na podstawie reprezentacji innych, podobnych do niej próbek.
|
|
| 10 |
Dominującym obecnie podejściem do uczenia się reprezentacji jest wstępne trenowanie dużych modeli bazowych na ogromnych statycznych zbiorach danych, co kontrastuje ze stale zmieniającym się i poszerzającym się charakterem danych dostępnych w Internecie. Proponowane badania dotyczą nowego paradygmatu, w którym zbiór danych uczących jest konstruowany ad-hoc poprzez bieżące przeszukiwanie Internetu, umożliwiając efektywne dostosowanie modeli do wybranych zadań docelowych. Celem proponowanego projektu jest między innymi: 1) zaprojektowanie metod poszukiwania odpowiednich danych uczących w Internecie i wykorzystanie ich do ustawicznej adaptacji modelu, 2) przeprowadzenie badan dotyczących konstrukcji metod samonadzorowanych (ang. self-supervised), które dla zadanego problemu: a) samodzielnie definiują metodę jego rozwiązania, b) przeszukują Internet w celu znalezienie odpowiednich danych uczących oraz c) wykorzystują znalezione dane do iteracyjnej optymalizacji modelu.
|
|
| 11 |
Abstrakcyjne rozumowanie wizualne (ang. Abstract Visual Reasoning - AVR) obejmuje problemy przypominające te pojawiające się w testach IQ. Przykładowo, Progresywne Matryce Ravena przedstawiają zestaw obrazów ułożonych w siatkę 3x3 z brakującym panelem w prawym-dolnym rogu. Zdający musi odkryć zależności rządzące znajdującymi się na obrazach kształtami 2D (i ich atrybutami), aby z zadanego zestawu opcji wybrać odpowiedź, która najlepiej uzupełnia macierz. Ogólnie rzecz biorąc, zadania AVR dotyczą podstawowych funkcji poznawczych, takich jak tworzenie analogii, abstrahowanie pojęciowe czy ekstrapolacja, co sprawia, że postępy osiągnięte w wyniku tych badań mają zastosowanie w różnych obszarach, istotnie wykraczających poza rozważane zadania. W ramach proponowanych badań planujemy zweryfikować możliwości wykorzystania wielkich modeli językowych (LLM) i wielkich modeli wizyjnych (LVM) do rozwiązywania zadań AVR, zarówno syntetycznych jak i wykorzystujących obrazy świata rzeczywistego.
|
|
| 12 |
“Machine learning-based diagnosis of spine injuries using computed tomography” Computed tomography (CT) is a crucial imaging technique in medical diagnosis and is the preferred modality for assessing spinal trauma. However, the large volume of image data generated during tomographic examinations presents significant challenges for image analysis and diagnosis. Artificial intelligence (AI) offers the potential to enhance the speed and accuracy of diagnosis in such cases. This research aims to explore the application of machine learning (ML) methods and deep neural networks (DNNs) for the automated detection of traumatic vertebral body injuries. The study will focus on classifying vertebral fractures, distinguishing between traumatic and non-traumatic cases. The learning dataset will be constructed using trauma examination records from a clinical hospital in Warsaw. These records will consist of X-ray spine tomography studies in DICOM format, annotated by experienced radiologists. The AO Spine Classification system for thoracolumbar injuries will serve as the framework for categorizing spinal fractures. To address the computational challenges posed by the high dimensionality of tomographic data (i.e., the large number of voxels per examination), methods for reducing data size will be employed. Various deep neural network architectures will be evaluated to determine their efficacy and performance in fracture classification. Furthermore, the interpretability and explainability of the developed ML-based approach will be analyzed using tools and techniques from Explainable AI (XAI). Efforts will be made to validate the reliability of the recommendations generated by the ML models, ensuring they align with clinical expertise and established diagnostic standards.
|
|
| 13 |
“Deep neural networks for image reconstruction in electrical capacitance tomography” Electrical capacitance tomography (ECT) enables the visualization of the spatial distribution of an object’s electrical permittivity. Image reconstruction in ECT presents a significant challenge as it is an ill-posed and ill-conditioned inverse problem. Advanced nonlinear algorithms, such as the Levenberg-Marquardt method, are iterative and computationally intensive, primarily due to the repeated calculation of the Jacobian matrix. Deep neural networks (DNNs) have emerged as a promising alternative for image reconstruction. This work will explore deep network architectures that not only match but significantly outperform classical methods in reconstruction quality. Synthetic data will be employed for supervised learning, and the performance of DNNs will be tested against real measurements. Application-specific training datasets will be analyzed, and their size will be expanded using data augmentation techniques. A comparative evaluation of various training datasets will also be conducted. To optimize the network, different loss functions and solvers will be utilized. Reconstructed images will be generated using DNNs and compared against a baseline provided by the Levenberg-Marquardt algorithm. Results will be assessed using selected image quality metrics. It is anticipated that deep networks will enhance the spatial resolution of ECT scanners. The insights gained from selecting deep networks, analyzing their architectures, and refining training strategies can potentially be applied to solve inverse problems in other fields.
|