Komplex federált modellek a gépi tanulásban

Complex Federated Models in Machine Learning

A tantárgyleírás hatályossága

Hatályosság kezdete:

2026. March 21.

Hatályosság vége:

—

Tantárgy neve (magyarul, angolul)

Komplex federált modellek a gépi tanulásban

Complex Federated Models in Machine Learning

Tantárgykód

BMEVIMIAV25

Tantárgyjelleg

—

Képzési szint

—

Kurzustípusok és óraszámok (heti/féléves)

Kurzustípus	elmélet	gyakorlat	laboratóriumi gyakorlat
óraszám (heti)	2	0	0
jelleg (kapcsolt/önálló)	—	—	—

Tanulmányi teljesítmény/értékelés típusa

félévközi érdemjegy

Tantárgy kreditértéke

Tantárgyfelelős

DR. Antal Péter

beosztás: egyetemi docens

elérhetőség: antal.peter@vik.bme.hu

Tantárgyat gondozó oktatási szervezeti egység

Mesterséges Intelligencia és Rendszertervezés Tanszék

Kar

Villamosmérnöki és Informatikai Kar

Tantárgy weboldala

—

Tantárgy elsődleges mintatantervi jellege

—

Közvetlen előkövetelmények – Erős előkövetelmény

nincs

Közvetlen előkövetelmények – Gyenge előkövetelmény

nincs

Közvetlen előkövetelmények – Párhuzamos előkövetelmény

nincs

Közvetlen előkövetelmények – Mérföldkő előkövetelmény

nincs

Közvetlen előkövetelmények – Kizáró feltétel

nincs

Célkitűzés

Tantárgyprogram

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.

Tanulmányi eredmények

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

Tudás

Nincsenek rögzített tanulási eredmények.

Képességek

Nincsenek rögzített tanulási eredmények.

Attitűd

Nincsenek rögzített tanulási eredmények.

Autonómia és felelősség

Nincsenek rögzített tanulási eredmények.

Oktatási módszertan

Előadás.

Tanulástámogató anyagok

Online források

Gelman, Andrew, et al. Bayesian; data analysis. Vol. 2. Boca Raton, FL, USA: Chapman & Hall/CRC, 2014.; Koller, Daphne, and Nir Friedman. Probabilistic; graphical models: principles and techniques. MIT press, 2009.

A tantárgy teljesítéséhez ajánlott előzetes ismeretek

Tudás típusú kompetenciák

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

nincs

Képesség típusú kompetenciák

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

nincs

Ajánlott (nem kötelező) előzetesen megszerzendő kompetenciák

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

nincs

Általános szabályok

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.

Teljesítményértékelési módszerek

Szorgalmi időszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Szorgalmi időszakban végzett teljesítményértékelések részaránya

Nincs megadva részarány.

Vizsgaidőszakban végzett teljesítményértékelések részletes leírása

Nincs megadva részletes értékelés.

Vizsgarészek részaránya

Nincs megadva részarány.

Érdemjegy megállapítása

Nincs megadva érdemjegy határ.

Jelenléti és részvételi követelmények

Nincs megadva jelenléti követelmény.

Javítás, ismétlés és pótlás különös szabályai

Nincs megadva.

Rövid leírás

Nincs megadva.

Részletes leírás

Nincs megadva.

Ajánlott tantárgyak

Mesterséges Intelligencia

A tantárgy elvégzéséhez szükséges tanulmányi munka

Nincs megadva munkaidő bontás.

Tantárgykövetelmények hatályossága

Tantárgykövetelmények hatályosságának kezdete:

—

Tantárgykövetelmények hatályosságának vége:

—

Tantervi elhelyezés

Nincsenek rögzített tantervi elhelyezések ehhez a tárgyverzióhoz.