Complex Federated Models in Machine Learning

Komplex federált modellek a gépi tanulásban

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Subject name (Hungarian, English)

Komplex federált modellek a gépi tanulásban

Complex Federated Models in Machine Learning

Subject code

BMEVIMIAV25

Subject type

—

Training Level

—

Course types and hours (weekly/semester)

Course type	lecture	tutorial	laboratory
hours (weekly)	2	0	0
type (linked/independent)	—	—	—

Assessment type

félévközi érdemjegy

Credits

Subject coordinator

DR. Antal Péter

position: egyetemi docens

contact: antal.peter@vik.bme.hu

Responsible department

Mesterséges Intelligencia és Rendszertervezés Tanszék

Faculty

Villamosmérnöki és Informatikai Kar

Subject website

—

Primary curriculum type

—

Direct prerequisites – Strong prerequisite

none

Direct prerequisites – Weak prerequisite

none

Direct prerequisites – Parallel prerequisite

none

Direct prerequisites – Milestone prerequisite

none

Direct prerequisites – Exclusion

none

Objectives

Programme

1. Statisztikai paradigmák, a Bayes-statisztikai paradigma, Bayesi becslés- és döntéselmélet. A konjugáltság és elégséges statisztika fogalma. Statisztikai meta-elemzések és több adatforrás elemzésének klasszikus problémái, mint például kiválasztási elfogultság és zavaró tényezők.

2. Sztochasztikus szimulációs eljárások. Gyakori eloszlások generálása. Mintavételi módszerek. Markov láncokon alapuló sztochasztikus szimulációs eljárások (Markov Chain Monte Carlo módszerek): Gibbs, Metropolis és hibrid MCMC. Több-partneres sztochasztikus következtetés elosztott adat- és tudásforrások esetén.

3. Bayesi következtetés közelítő módszerekkel. Az EM algoritmus család és alkalmazása. A variációs bayesi megközelítés több-partneres alkalmazása.

4. Valószínűségi gráfos modellek és elosztott tanulásuk horizontálisan és vertikálisan felosztott adatforrásokból. Oksági Bayes-hálók. Faktor-gráfok. Összeg-szorzat (sum-product) hálózatok. Valószínűségi relációs modellek.

5. Bayesi neurális hálózatok és federált tanulási algoritmusaik.

6. Komplex federált tanulási algoritmusok inhomogén adatforrásokra.

7. Komplex federált tanulási algoritmusok többfeladatos problémákban.

8. Komplex federált tanulási algoritmusok privát partneri információk felhasználásával.

9. Komplex federált tanulási algoritmusok kooperáció esetén: a kooperatív, többágenses rendszerek architektúrái, többágenses rendszerek szervezeti formái és azok tulajdonságai. Szervezeti formák tipikus alkalmazási környezetei, a centralizált rendszerektől az elosztott intelligenciáig.

10. Integráció kommunikáció révén. Ágens kommunikációs nyelvek speciális vonásai. Párbeszéd-protokollok fajtái. Kommunikációs párbeszéd szabványosítási problémái. BDI rendszermodell. Kooperatív protokollok.

11. Konfliktusok problémaköre, tudás-intenzív konfliktusfeloldás, mechanizmus- tervezés és az alapvető játékelméleti fogalmak és sémák. Konfliktusok kezelése versengő környezetekben. Szavazáselmélet. Szavazó protokollok és problémái. Mechanizmus-tervezés piaci paradigmában és az árverési algoritmusok. Intelligens rendszerek feladatmegosztásának piaci megközelítése.

12. Adaptivitás elosztott kooperatív rendszerekben. Alapvető tanulási sémák. Tudáskomponensek (hiedelmek és célok, ill. eljárásmódok) tanulása. Kooperatív tanulás lehetőségei. Adaptivitás elosztott versengő rendszerekben. Tanulás versengő környezetben. Megerősítéses tanulás versengő környezetben.

13. Aktív tanulási sémák kooperatív rendszerekben. Ember-gép együttes tanulásának sémai és a gépi tanítás paradigmája.

14. Automatizált gépi tanulási és felfedező rendszerek. Intelligens elosztott mérőrendszerektől az intelligens „Internet of Things" (IoT) szerzorhálóig.

Az adatok elosztott jellegének dominánssá válása új lendületet adott az elosztott mesterséges intelligencia és gépi tanulási kutatásoknak. Az új kutatási irányok átfogtak több, évtizedek óta fejlődő részterületet is, mint például a kooperatív rendszerek elméletét, a multi-ágens rendszerek elméletét, a párhuzamos számítások területét, a statisztikai meta- és mega-elemzések megközelítéseit, illetve a statisztikai adat- és tudásfúziós módszerek vizsgálatát. Bár az új megközelítések, mint például a federált (gépi) tanulás, egy standardizált, könnyen felskálázható környezetet tételeztek fel, például homogén adatforrásokkal és résztvevőkkel, hamar megjelentek ennek a standardizált federált/kollaboratív tanulásnak a komplex általánosításai. A komplex elosztott gépi tanulási módszerek pedig sok tekintetben visszatértek a korábban vizsgált heterogén adat- és tudásforrások heterogén számítási egységek rendszere által végzett együttes elemzésének a kérdéséhez, amelyet nagy mennyiségű részleges statisztikák elérhetősége vagy a terület többfeladatos (multi-task) jellege is gazdagít. A tantárgy célja elosztott adatforrások, részleges statisztikák és tudásforrások intelligens elemzési kereteinek és módszereinek bemutatása, elsősorban a mesterséges intelligencia és a gépi tanulás iránt érdeklődő hallgatók számára. A tárgy szisztematikusan bemutatja a több adatforrás használatának statisztikai problémáit és megközelítéseit, az elosztott kooperatív, intelligens rendszerek alapelveit, a horizontálisan és vertikálisan felosztott adat esetén használható gépi tanulási módszereket, a népszerű federatív és kollaboratív tanulási sémákat és azok komplex kiterjesztéseit különös tekintettel inhomogén és multimodális adatforrások használatára többfeladatos problémákban. A tárgy épít a Mesterséges intelligencia tantárgyban tanult módszerekre és ezeket felhasználva végigköveti az intelligens szolgáltatások kialakításának folyamatát a tudásalapú modellezés technológiáitól indulva, az adatok gyűjtését és kiértékelését egységesen kezelő automatizált gépi tanulás (AutoML) és aktív tanulás bemutatásával is. A tárgy továbbá kitekintést ad az elosztott, versengő vagy együttműködő többágenses megoldásokra, robotikus környezetekre, elosztott vegyes ember-gép rendszerek lehetőségeire, beleértve a gépi tanítás friss paradigmáját is.

Learning outcomes

Ez a tantárgy a KKK rendeletben meghatározott, következő kompetenciák fejlesztését szolgálja:

Knowledge

No learning outcomes recorded.

Skills

No learning outcomes recorded.

Attitudes

No learning outcomes recorded.

Autonomy and responsibility

No learning outcomes recorded.

Oktatási módszertan

Előadás.

Tanulástámogató anyagok

Not provided.

Recommended preliminary knowledge for completing the subject

Knowledge type competencies

(azon előzetes ismeretek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Skill type competencies

(azon előzetes képességek és készségek összessége, amelyek megléte nem kötelező, de a tantárgy eredményes teljesítését nagyban elősegíti)

nincs

Recommended (non-compulsory) preliminary competencies

(azon ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák összessége, amelyek jelentősen hozzájárulnak a tantárgy eredményes teljesítéséhez)

nincs

General rules

Követelmények: Szorgalmi időszakban: Két házi feladat sikeres elkészítése és leadása a félév végéig, amely egy terület feldolgozását jelenti. Vizsgaidőszakban: nincs. Osztályozás: A házi feladatra megszerzett jegyek átlaga. Pótlási lehetőségek: A házi feladat bemutatása a pótlási héten még lehetséges.

Assessment methods

In-term assessments

No detailed assessments provided.

Weight of in-term assessments

No weights provided.

Exam-period assessments

No detailed assessments provided.

Weight of exam elements

No weights provided.

Grade calculation

No grade thresholds provided.

Attendance requirements

No attendance requirements provided.

Rules for retake and resubmission

Not provided.

Short description

Not provided.

Detailed description

Not provided.

Recommended courses

Mesterséges Intelligencia

Workload to complete the subject

No workload breakdown provided.

Validity of subject requirements

Requirements valid from:

—

Requirements valid until:

—

Curriculum placement

No curriculum placements recorded for this subject version.