Přístupnostní navigace
E-přihláška
Vyhledávání Vyhledat Zavřít
studijní program
Fakulta: FITZkratka: DIT-ENAk. rok: 2022/2023
Typ studijního programu: doktorský
Kód studijního programu: P0613D140029
Udělovaný titul: Ph.D.
Jazyk výuky: angličtina
Poplatek za studium: 4000 EUR/ročně pro studenty z EU, 4000 EUR/ročně pro studenty mimo EU
Akreditace: 8.12.2020 - 8.12.2030
Profil programu
Akademicky zaměřený
Forma studia
Kombinované studium
Standardní doba studia
4 roky
Garant programu
prof. Ing. Lukáš Sekanina, Ph.D.
Oborová rada
Předseda :prof. Ing. Lukáš Sekanina, Ph.D.Člen interní :doc. Ing. Jan Kořenek, Ph.D.prof. Ing. Pavel Václavek, Ph.D.prof. Ing. Tomáš Vojnar, Ph.D.prof. Dr. Ing. Jan Černockýprof. RNDr. Milan Češka, CSc.prof. Ing. Adam Herout, Ph.D.prof. Ing. Jan M. Honzík, CSc.prof. Ing. Tomáš Hruška, CSc.prof. Dr. Ing. Pavel Zemčík, dr. h. c.prof. RNDr. Alexandr Meduna, CSc.prof. Dr. Ing. Zbyněk Raidaprof. RNDr. Josef Šlapal, CSc.Člen externí :prof. Ing. Jiří Sochor, CSc. (FI MUNI)prof.,RNDr. Jiří Barnat, Ph.D. (FI MUNI)
Oblasti vzdělávání
Cíle studia
Cílem studijního programu je poskytnout vynikajícím absolventům magisterského studia specializované univerzitní vzdělání nejvyššího typu v informatice a výpočetní technice, zvláště pak v oblastech, ve kterých se profilují výzkumné skupiny FIT, a ve vztahu k výzkumným projektům řešeným na FIT:
Profil absolventa
Absolventi doktorského studijního programu Information Technology jsou schopni samostatně provádět vědecko-výzkumnou činnost a tvůrčím způsobem řešit složité teoretické, návrhové, verifikační, testovací, implementační a inovační problémy v oblasti informatiky. Jsou vybaveni pokročilými znalostmi jak z teoretické informatiky, tak i z oblasti algoritmizace, tvorby software i hardware a zkušenostmi s jejich uplatněním v různých aplikacích. Hlavní důraz a cíl studia je směřován na vědeckou a tvůrčí činnost a představení výstupů této činnosti vědecké komunitě na mezinárodní úrovni, zejména ve formě publikačních výstupů. Další nedílnou součástí je získání zkušeností s prací v týmu a pravidelná prezentace dosažených výsledků, nejdříve pro kolegy na FIT a později na mezinárodních vědeckých konferencích. Absolventi doktorského studijního programu mají tedy nejen teoretické a specializované znalosti dle svého odborného zaměření, ale zároveň i zkušenosti s publikační činností a uplatněním a prezentací výsledků na mezinárodní úrovni.
Charakteristika profesí
Absolventi FIT obecně a absolventi doktorského studia zejména nemají problém najít uplatnění jako vědečtí, pedagogičtí či řídicí pracovníci jak v ČR tak v zahraničí.
Podmínky splnění
Jsou vymezeny individuálním studijním plánem studenta, jenž specifikuje studijní předměty, které je student povinen úspěšně absolvovat, předpokládané stáže a účasti na odborných konferencích a minimální pedagogické působení v bakalářském nebo magisterském studijním programu fakulty. Úspěšné ukončení studia je podmíněno:
Vytváření studijních plánů
Jsou stanovena směrnicí děkana Pravidla o organizaci studia na FIT pro sestavovaní individuálního plánu studenta. Individuální studijní plán vychází z tématu disertační práce a podléhá schválení oborovou radou.Předepisuje:
https://www.fit.vut.cz/fit/info/smernice/sm2018-13.pdf
Dostupnost pro zdravotně postižené
Vysoké učení technické v Brně umožňuje studium osobám se zdravotním postižením dle § 21, odst. 1 písm. e) zákona 111/1998 Sb. vysokých školách a o změně a doplnění dalších zákonů ve znění pozdějších předpisů a dle požadavků v této oblasti vyplývajících z nařízení vlády č. 274/2016 Sb., o standardech pro akreditace ve vysokém školství, poskytuje uchazečům o studium a studentům se specifickými potřebami služby v rozsahu a formou odpovídající specifikaci uvedené v Příloze č. 3 k Pravidlům pro poskytování příspěvku a dotací veřejným vysokým školám Ministerstvem školství, mládeže a tělovýchovy, specifikující financování zvýšených nákladů na studium studentů se specifickými potřebami.Služby pro studenty se specifickými potřebami jsou na VUT v Brně realizovány prostřednictvím aktivit specializovaného pracoviště - poradenského centra Alfons, které je součástí Institutu celoživotního vzdělávání VUT v Brně - sekce Poradenství pro studenty.Aktivity poradenského centra a pravidla zpřístupňování studia univerzita garantuje platnou Směrnicí rektora č. 11/2017 upravující postavení uchazečů o studium a studentů se specifickými potřebami na VUT v Brně. Tato vnitřní norma garantuje minimální standardy poskytovaných služeb.Služby poradenského centra jsou nabízeny uchazečům o studium a studentům se všemi typy zdravotního znevýhodnění uvedených ve zmíněném Metodickém standardu Ministerstva školství, mládeže a tělovýchovy.
Návaznost na další typy studijních programů
Studijní program navazuje jak na dobíhající navazující magisterský program Informační technologie, tak na nový navazující magisterský program Informační technologie a umělá inteligence.Studenti mohou dále, podle svých potřeb a mimo své formalizované studium, také absolvovat kurzy a školení týkající se metodologie vědecké práce, publikačních a citačních dovedností, etiky, pedagogiky a tzv. měkkých dovedností, které organizuje VUT či jiné instituce.
Vypsaná témata doktorského studijního programu
Tématicky se tato disertační práce orientuje na bezpečnost IoT systémů. Práce by měla obsahovat:
Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.
Na vedení práce se bude podílet školitel-specialista dr. Kamil Malinka.
Školitel: Hanáček Petr, doc. Dr. Ing.
Tematicky se tato disertační práce orientuje na bezpečnost bezdrátových lokálních sítí. V rámci řešení by mělo dojít k seznámení se s vybranými bezdrátovými sítěmi a jejich zabezpečením. Kroky práce by měly obsahovat: prostudování teorie bezdrátových sítí, jejich vlastností a možností provedení útoků, odzkoušení základních typů útoků, navržení nového způsobu ochrany, experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.
Téma je zaměřeno ma pokročilé architektury neuronových sítí pro rozpoznávání řeči a řečníka. Ačkoli empiricky dosahují neuronové sítě často vynikajících výsledků, znalosti a pochopení získaných reprezentací jsou nedostatečné. Téma této disertace má ambici tuto mezeru vyplnit a studovat neuronové reprezentace pro jednotky textu a řeči různého rozsahu (od fonémů a písmen až po proslovy a dokumenty) a reprezentace získané pro izolované úlohy i více úloh současně (multi-tasking). Téma souvisí s projektem GAČR exelence v základním výzkumu EXPRO "Neuronové reprezentace v multimodálním a mnohojazyčném modelování" (NEUREM3), na kterém pracujeme společně s kolegy z UFAL MFF Univerzity Karlovy v Praze. Zadání vyžaduje zájem o matematiku, statistiku, strojové učení a zpracování řeči, výhodou je zběhlost v jazyce Python a jeho knihovnách pro strojové učení.
Školitel: Burget Lukáš, doc. Ing., Ph.D.
Automatické rozpoznávání řeči (ASR) patří mezi oblíbené úlohy strojového učení, které průmysl již úspěšně používá v různých aplikacích. Nedávné pokroky v "deep learning" umožnily použití řečových technologií v oblastech, kde se očekává také velmi nízká chybovost, jako je například rozpoznávání komunikace v leteckém provozu (tj. intenzivní používání mluvené řeči mezi řídícími a piloty). Cílem této práce je zaměřit se na modelové učení bez transkripcí s využitím dalších pomocných informací poskytovaných jinými zdroji, jako jsou radarová data nebo komunikace ADS-B (sledovací technologie, ve které letadlo určuje svou polohu pomocí satelitní navigace nebo jiných senzorů a pravidelně je vysílá). Od možné aplikace ASR lze očekávat (i) podporu hlasové komunikace v reálném čase nebo (ii) automatické zpracování a přepis velkých datových audio archivů.
Školitel: Motlíček Petr, doc. Ing., Ph.D.
Internet věcí (IoT) tvoří komunikační síť propojující různé typy zařízení v inteligentních domácnostech (smart home), budovách (smart building), nemocnicích (smart hospital), dopravních systémech (smart traffic control) apod. Tato zařízení produkují velké množství monitorovacích dat o stavu zařízení i sledovaných veličin. Na základě dlouhodobých monitorovacích dat je možné sestavit profil daného zařízení a pak sledovat odchylky v chování zařízení, což je důležité pro detekci chyb či případných kybernetických útoků. Téma se zaměřuje na bezpečnostní analýzu komunikace v sítích IoT. Cílem je navrhnout způsob pro automatizované vytváření profilů chování IoT zařízení na základě monitorovacích dat a ukázat, jak lze pomocí profilů detekovat anomálie v chování IoT zařízení. Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.
Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.
Výzkumný problém: Technologie biometrie umožňuje rozpoznání osoby na základě určitých jedinečných vlastností lidského těla. Je to primární nástroj pro identifikaci osoby a má různé aplikace včetně bankovnictví, bezpečnosti, imigrace atd. Proto je důležité mít spolehlivou biometrickou metodu.
Problémy se současnými řešeními: Otisky prstů a identifikace obličeje se v dnešním světě běžně používají k ověření identity osoby. Některé další biometrické technologie zahrnují rozpoznávání hlasu, rozpoznávání chůze, rozpoznávání duhovky a rozpoznávání vzorů na sítnici. Problémy jako stárnutí však ovlivňují rozpoznání osoby na základě těchto technologií. Některé z nich lze navíc snadno replikovat, a proto může být identita osoby podvržena.
Výzvy: Stárnutí je jednou z hlavních výzev pro jakoukoli biometrickou metodu. Kromě toho jsou hlavními problémy fyzické poškození těla a replikace biometrického identifikátoru.
Téma práce: V rámci výzkumu bude zkoumána biometrii mozku pomocí signálů lidského elektroencefalogramu (EEG) mozku. Výzkum bude zahrnovat identifikaci jedinečných vzorců mozkové aktivity člověka. Tento přístup má tu výhodu, že je zvenčí neviditelný, a proto jej nelze replikovat ani klonovat. Vývoj mozkové biometrické metody bude zahrnovat identifikaci jedinečného vzoru z mozkových signálů, který lze použít jako identifikátor osoby.
Školitel: Malik Aamir Saeed, prof., Ph.D.
Komunikace SCADA (Supervisory Control And Data Acquisition) a ICS (Industrial Control System) slouží pro monitorování a řízení činnosti průmyslových provozů, inteligentních továren či energetických sítí. Narušení této komunikace znamená ohrožení výroby důležitých součástí nebo například přerušení dodávky elektrické energie. Pro ochranu komunikace SCADA/ICS můžeme využít pokročilé monitorování, které vytváří profily chování běžné komunikace a detekuje odchylky (anomálie). Pro popis chování je možné využít statistické metody sbírající údaje o počtech a typech přenesených dat, můžeme modelovat komunikační vzory pomocí automatů či vytvářet modely na základě strojového učení. Cílem práce je popsat chování průmyslové komunikace a navrhnout vhodný způsob jejich reprezentace pomocí vícedimenzionálních profilů. Další části práce je ověřit, jaké typy anomálií je možné detekovat pomocí navržených metod a navrhnout jejich rozšíření s cílem zpřesnit detekci anomálií. Téma je součástí výzkumného projektu Bezpečnostní monitorování řídící komunikace ICS v energetických sítích (BONNET). Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.
Většina současné internetové komunikace je šifrována pomocí TLS či DTLS. Pro správu počítačové sítě a kybernetickou bezpečnost je potřeba vědět, jaké aplikace komunikují v dané síti. Pro detekci aplikací v šifrovaném provozu je možné určit komunikující aplikaci pomocí metody otisků JA3/JAS3, dále je možné provádět statistickou analýzu šifrovaného provozu či použít metody strojového učení pro určení komunikující aplikace.Součástí výzkumu daného tématu je rešerše a zhodnocení existujících metod pro detekci aplikací v šifrovaném provozu, dále návrh pokročilejších metod či jejich rozšíření. Školitel specialista: Matoušek Petr, Ing., Ph.D., M.A.
Cílem práce je vytvoření detekčního mechanismusu pohyblivých objektů (lasery, drony) s odhalením jejich pozice příp. zdroje vysílání, konkrétně:
Školitel: Drahanský Martin, prof. Ing., Ph.D.
Výzkumný problém: Tento výzkum se zabývá depresí nebo přesněji - unipolární depresí, či depresivní poruchou (MDD). MDD je běžné duševní onemocnění, které může bránit fungování v každodenním životě, a proto vytváří problémy při individuálních sociálních a osobních aktivitách. Proto je pacienty s MDD potřeba správně diagnostikovat a následně volit léčbu.
Problémy se současnými řešeními: V současné době se k diagnostice MDD používají subjektivní dotazníky. Existuje však možnost nesprávné diagnózy kvůli podobným příznakům, které mají bipolární porucha a schizofrenie. Kromě toho se výběr léčby provádí na základě zkušeností lékaře, který předepisuje antidepresivum a poté po dobu 4 až 6 týdnů sleduje jeho účinnost, než se rozhodne buď pokračovat ve stejné léčbě, nebo přejít na novou léčbu. Jedná se o opakující se proces, dokud není pro pacienta nalezen správný lék.
Výzvy: Léčba depresivní poruchy (MDD) je velkou výzvou, včetně diagnózy a výběru léčby kvůli podobným příznakům s dalšími onemocněními. Dále je MDD specifická pro různá pohlaví.
Téma práce: Tento výzkum se zabývá metodami diagnostiky a výběru léčby pro MDD (unipolární depresi). Bude založen na objektivních měřeních mozkových aktivit pomocí signálu EEG, s cílem detekovat unipolární depresi. Řešení bude využívat metody strojového učení, nedílnou součástí bude extrakce příznaků ze zaznamenaných dat EEG pacientů. Vytvořená metoda by měla pomoci psychiatrům při diagnostice unipolární deprese. Pro tento projekt je již k dispozici datový soubor EEG.
Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody analýzy EEG signálů. Neváhejte mě kontaktovat na malik@fit.vutbr.cz
Téma je zaměřeno na algoritmy embedded zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat možnosti "chytrých" a "malých" zařízení, která by měla nové vlastnosti, a bylo možné je efektivně nasadit do aplikací vyžadujících malé, skryté, distribuované, nízkopříkonové, mechanicky nebo klimaticky namáhané jednotky schopné zpracovávat signálové vstupy. Nasazení takových jednotek je perspektivní a široké a předpokládá se i propojení do klient/server a/nebo cloud systémů. Samotné jednotky mohou být založeny na efektivním CPU/GPU/DSP, na programovatelném hardware, případně na kombinaci těchto technologií. Může se jednat i o smart kamery. Aplikace, které jsou v oblasti zájmu tohoto tématu:
Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (potenciálně možnost stipendia či pracovního poměru).
Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.
Problematika identifikace a extrakce konkrétních informací z dokumentů na WWW je již delší dobu předmětem intenzivního výzkumu. Mezi základní překážky, které je třeba překonat, patří nedostatečná strukturovanost HTML dokumentů a absence metainformací (anotací) využitelných pro rozpoznání významu jednotlivých částí obsahu. Tyto chybějící informace jsou proto nahrazovány analýzou různých aspektů webových dokumentů, zejména následujících:
Pro úspěšnou extrakci konkrétní informace z dokumentů je rovněž nezbytná doménová znalost zahrnující očekávanou strukturu extrahované informace (vztahy mezi jednotlivými extrahovanými položkami) a způsob zápisu jednotlivých položek. Tato znalost umožňuje přesnější rozpoznání jednotlivých částí informace v textu dokumentu.
Současné přístupy k extrakci informací z webových dokumentů se soustřeďují zejména na modelování a analýzu dokumentů samotných; modelování extrahované informace za účelem jejího přesnějšího rozpoznání nebylo dosud podrobněji zkoumáno v tomto kontextu. Předpokládaným cílem disertační práce jsou proto následující:
Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných dokumentech dostupných na WWW.
Školitel: Burget Radek, doc. Ing., Ph.D.
Cílem práce je generování různých poškození do syntetických otisků prstů a analýza jejich kvality. Práce bude sestávat z(e):
Hluboké neuronové konvoluční sítě jsou jasným trendem posledních let v oblasti strojového učení pro analýzu obrazu. Konvoluční neuronové sítě je také možné využít pro analýzu 3D obrazu. Tento přístup je však problematický z pohledu značných výpočetních a paměťových nároků. Cílem disertační práce je zkoumat, analyzovat a hledat nové architektury tzv. grafových neuronových sítí a přístupů k jejich efektivnímu učení pro úlohy rozpoznávání 3D tvaru objektů, kdy datovou sadu tvoří různé reprezentace - např. polygonální 3D modely, voxelová reprezentace, apod.Součástí práce bude i aplikace zkoumaných metod v rámci projektů, na jejichž řešení se školitel podílí.
Školitel: Španěl Michal, Ing., Ph.D.
Cílem této disertační práce je hlasová biometrie, tedy pokročilá identifikace osob z hlasového obsahu. Nedávné pokroky ve strojovém učení dávají potenciál výrazně zvýšit výkon systémů identifikace osob z různých typů biologických signálů. Tato práce se primárně zaměřuje na pokrok v technologiích identifikace mluvčích pro využití v oblasti vymáhání práva, přičemž bere v úvahu apriorní znalosti poskytované koncovými uživateli. Typickým případem je kombinace zachycených hlasových hovorů se záznamem podrobností o hovoru (tj. síť postavená z telefonních čísel). Disertační práce se bude také zabývat známými problémy algoritmů strojového učení, jako je "bias" poskytovaný trénovacími daty.
Nedávné pokroky v "Deep Learning" umožnily automatické generování hyperrealistického falešného mediálního obsahu známého jako Deepfakes. Zatímco tato technologie má pozitivní potenciál pro zábavní aplikace, její škodlivé použití poškozuje společnost jako celek tím, že produkuje obscénní obsah, vysílá falešné zprávy s cílem podkopat volby nebo destabilizovat politiku a zlepšit sociální inženýrství za účelem páchání finančních podvodů.Závažnost problému vyžaduje urychlený vývoj technologií detekce Deepfake pro mediální společnosti, poskytovatele multimediálních zpráv a orgány činné v trestním řízení. Také protože Deepfakes zahrnuje několik kategorií synteticky pozměněných nebo generovaných médií, sekundárním cílem je identifikovat typ manipulace a konkrétní technologii použitou pro tento účel. Tato disertační práce se zaměřuje na "hlasovou" část mediálního obsahu a jejím cílem je vyvinout "hlasové" algoritmy pro detekci a atribuci Deepfake. Budou prozkoumány nové směry výzkumu v rámci modelování jedné třídy, časoprostorového učení (tj. kombinace se sémantickými znalostmi), učení "few-shot" nebo "adversarial training".
Hluboké konvoluční sítě jsou jasným trendem posledních let v oblasti strojového účení pro analýzu obrazu. V úlohách s velmi omezenou a specifickou datovou sadou, kdy není dostatečné využít augmentace dat nebo koncepce GAN sítí, je však jejich nasazení stále problematické.Cílem disertační práce je zkoumat, analyzovat a hledat nové architektury hlubokých konvolučních sítí a přístupů k jejich učení pro takové úlohy analýzy obrazu, ve kterých je velikost anotované datové sady extrémně malá a nebo se postupně rozrůstá. Pro naučení neuronových sítí je možné využít neanotovaných dat případně částečně anotovaných dat ve formě uživatelského vstupu.Součástí práce bude i aplikace zkoumaných metod v rámci projektů, na jejichž řešení se školitel podílí.
Výzkumný problém: Duševní stres a úzkost jsou dva stavy, které se často vyskytují společně. Pokud nastanou, je člověk ve stresu a není schopen zvládat obavy, což ovlivňuje jeho sociální a pracovní aktivity. Proto je nutné řádné posouzení a diagnostika duševního stresu i úzkosti, aby člověk mohl efektivně provádět své běžné každodenních úkoly a činnosti.
Problémy se současnými řešeními: Bohužel konvenční hodnotící a diagnostická opatření jsou subjektivní povahy a používají se pouze tehdy, když jsou symptomy již zjevné v důsledku pokročilého stádia duševního stresu a úzkosti. Psychický stres a úzkost však nevznikají náhle, spíše jde o dlouhodobý proces. Detekce příznaků je tedy vyžadována v raných fázích výskytu duševního stresu a úzkosti, protože to může vést k vyléčení nebo alespoň oddálení nástupu vážných duševních problémů s nimi spojených, například deprese, generalizované úzkostné poruchy atd.
Výzvy: Na rozdíl od jiných nemocí, kde zřejmé symptomy umožňují lidem vyhledat pomoc, symptomy v raných fázích duševního stresu a úzkosti nejsou snadno identifikovatelné. Proto je třeba, aby byl mozek nepřetržitě monitorován, zda nevykazuje známky změny nebo zhoršení, s cílem detekovat příznaky v rané fázi.
Téma práce: Řešení spočívá ve vývoji objektivní a kvantitativní metody, která dokáže odhalit duševní stres a úzkost již v rané fázi. Vnímání duševního stresu a úzkosti má původ v mozku; proto tento výzkum zkoumá neurofyziologické rysy extrahované ze signálu mozkového elektroencefalogramu (EEG) k měření duševního stresu a úzkosti v raném stádiu. Projekt bude zahrnovat výzkum metod pro extrakci příznaků a rozpoznávání vzorů, aby bylo možné uspokojivě posoudit stav osoby. Pro tento projekt je již k dispozici datový soubor EEG.
Vďaka nasadeniu nových technológií v našom každodennom živote sa neustále generuje obrovské množstvo dát rôznych typov. Vytvorené datasety je potrebné efektívne spracovať - informácie v nich obsiahnuté často podporujú správnosť a presnosť rozhodovacích procesov. Rozvoj metód analýzy údajov je preto dôležitou súčasťou výskumu v informatike. Z rôznych dôvodov nie sú tradičné spôsoby spracovania všeobecne použiteľné, preto je potrebné hľadať nové prístupy. Sú väčšinou založené na umelej inteligencii a strojovom učení.
Inteligentná analýza dát má veľký potenciál uplatnenia na riešenie aktuálnych výskumných úloh v mnohých oblastiach, medzi inými aj v energetike. Toto odvetvie prechádza výraznými zmenami - obnoviteľné zdroje energie, batérie a elektromobilita menia charakter elektrickej siete a z klasickej jednosmernej centralizovanej siete sa stáva obojsmerná distribuovaná sieť. Tento fakt vyvoláva množstvo výskumných otázok a problémov na riešenie. Výskumné problémy, ktorým je možné sa v rámci témy venovať zahŕňajú:
- optimálne riadenie mikrogridov (malých energetických sietí s obnoviteľnými zdrojmi energie) umožňujúcich zdieľanie energie medzi zákazníkmi,
- predikovanie spotreby zákazníkov a výroby z obnoviteľných zdrojov, ktoré sú potrebné pre efektívne riadenie mikrogridov,
- disagregácia spotreby energie na spotreby jednotlivých spotrebičov, ktoré umožnia lepšie porozumieť charakteru spotreby zákazníkov,
- skúmanie anomálií a/alebo extrémnych hodnôt v spotrebe alebo výrobe energie z obnoviteľných zdrojov.
Predmetom záujmu však môže byť analýza dát v širšom zmysle - je možné zamerať sa na úlohy predikcie, klastrovania, klasifikácie alebo detekcie anomálií v rôznych doménach.
Relevantné publikácie:
Rozinajova, V., Bou Ezzeddine, A., Grmanova, G., Vrablecova, P., Pomffyova, M. (2020): Intelligent Analysis of Data Streams, Published in: Towards Digital Intelligence Society: A Knowledge-based Approach
Kloska M., Rozinajova V. (2021): Towards Symbolic Time Series Representation Improved by Kernel Density Estimators. In: Hameurlain A., Tjoa A.M. (eds) Transactions on Large-Scale Data- and Knowledge-Centered Systems L. Lecture Notes in Computer Science, vol 12930. Springer, Berlin, Heidelberg.
Školitel: Rozinajová Věra, Doc., Ph.D.
Využívání dronů v řadě specifických situacích je dnes důležitým trendem nejen v průmyslu, ale zejména v operacích bezpečnostních složek. Tento trend přináší nové problémy v efektivní komunikaci člověka s dronem, tj. jak zvýšit efektivitu pilota, snížit jeho kognitivní zátěž, zvýšit jeho orientaci ve složitém prostředí či při spolupráci s více drony apod. Cílem této práce je zkoumat nové možnosti v oblasti efektivního a intuitivního využití senzorických dat a jejich fúze s dalšími dostupnými datovými zdroji při interakci pilota s dronem. V rámci řešení je potřeba:
Školitel: Beran Vítězslav, doc. Ing., Ph.D.
Trendem výrobního průmyslu je zavádění kolaborativních robotů do výroby, což umožňuje bližší spolupráci člověka s robotem. Cílem je zefektivnit výrobu využitím robotů na opakované činnosti a pracovníka na činnosti složité, jejich robotizace by byla příliš nákladná a málo škálovatelná. Tento trend přináší nové problémy, jak s roboty efektivně komunikovat: mít představu o stavu robota a jeho chápání situace a snadno a přirozeně robota řídit a programovat. Cílem této práce je zkoumat nové možnosti komunikace člověka s robotem s využitím moderních technologií a zařízení. V rámci řešení je potřeba:
Většina komunikace na Internetu je dnes šifrována. Výjimku tvoří protokol DNS, který je nezbytný pro fungování většiny služeb. V poslední době se útočníci snaží zneužít komunikaci DNS k přesměrování internetové komunikace či k útoku DDoS. Komunikaci DNS také využívá malware k zasílání získaných dat pomocí skrytého kanálu, generovaná jména domén DGA mohou sloužit k řízení botnetu apod. Cílem projektu je analyzovat typické třídy kybernetických útoků vedených přes DNS podle klasifikace MITRE ATT&CK a navrhnout způsob detekce těchto hrozeb na základě rozšířeného monitorování IPFIX. Při řešení se využijí metody strojového učení a umělé inteligence. Školitel specialista: Ing. Petr Matoušek, Ph.D., M.A.Odkazy:[1] Daihes Y., Tzaban H., Nadler A., Shabtai A. (2021) MORTON: Detection of Malicious Routines in Large-Scale DNS Traffic. In: Bertino E., Shulman H., Waidner M. (eds) Computer Security - ESORICS 2021. ESORICS 2021. Lecture Notes in Computer Science, vol 12972. Springer, Cham. https://doi.org/10.1007/978-3-030-88418-5_35[2] M. Grill, I. Nikolaev, V. Valeros and M. Rehak, "Detecting DGA malware using NetFlow," 2015 IFIP/IEEE International Symposium on Integrated Network Management (IM), 2015, pp. 1304-1309, doi: 10.1109/INM.2015.7140486.[3] S. Torabi, A. Boukhtouta, C. Assi and M. Debbabi, "Detecting Internet Abuse by Analyzing Passive DNS Traffic: A Survey of Implemented Systems," in IEEE Communications Surveys & Tutorials, vol. 20, no. 4, pp. 3389-3415, Fourthquarter 2018, doi: 10.1109/COMST.2018.2849614.
Cílem práce je vytvoření spolehlivého detekčního mechanismu prezentačního útoku na technologii otisků prstů, obličeje a písma, konkrétně:
Projekt se zabývá metrikami pro odhad vizuální kvality obrazu a videa. Cílem práce je výzkum nových metod, které by odstranily některé nedostatky existujících metrik zejména s ohledem na vlastnosti vizuálního vnímání člověka. V úvahu přicházejí např. problémy z oblasti vjemu HDR obrazu a využití přídavných informací (metadata, 3D, atd.) o testovaných scénách pomocí metod strojového učení (např. neuronových sítí).
Školitel: Čadík Martin, doc. Ing., Ph.D.
Projekt se zabývá pokročilými metodami zpracování a editace obrazu. Cílem práce je výzkum nových metod s využitím strojového učení, zejména hlubokých konvolučních neuronových sítí.
Tématem jsou algoritmy počítačové grafiky a syntézy obrazu. Hlavním cílem je zkoumat nové a moderní algoritmy počítačové grafiky, související datové struktury, související otázky získávání a zpracování 3D modelů a další aspekty algoritmů tak, aby bylo lépe rozumět jejich vlastnostem a možnostem, zlepšovat a připravovat nové. Je možno pracovat na různých platformách, včetně paralelních CPU jáder x86/64, ARM, Xeon PHI, GPU apod. v OpenCL, CUDA, v FPGA ve VHDL, případně i jinak. Možné algoritmy zahrnují:
Po dohodě je možné zpracovávat i individuálně vybrané algoritmy, které ve výše uvedeném seznamu nejsou, ale patří do dané tématiky.
Je možnost spolupráce i na grantových projektech, zejména na nově podávaných projektech TAČR, H2020, ECSEL (možnost stipendia či pracovního poměru).
Cílem práce je seznámit se s aktuálními problémy počítačového vidění a používaného strojového učení (hluboké konvoluční neuronové sítě) a identifikovat zajímavé problémy k rozvinutí a dalšímu výzkumu. Řešitel má získat nadhled v problematice a experimentovat s populárními algoritmy a identifikovat jejich vhodné okrajové případy, na kterých bude možné dosáhnout zajímavých výsledků a pokroků.Konkrétně se řešitel má zaměřit na následující:
Školitel: Herout Adam, prof. Ing., Ph.D.
Výzkumný problém: Význam duševního zdraví v posledním desetiletí výrazně vzrostl. Metody pro hodnocení problémů duševního zdraví v raných stádiích jsou však stále v plenkách ve srovnání s dostupností odpovídajících metod pro včasné hodnocení problémů fyzického zdraví. Je tedy nutné, aby byl proveden patřičný výzkum s cílem vyvinout metody pro včasné hodnocení abnormalit vedoucích k problémům duševního zdraví.
Problémy se současnými řešeními: Na rozdíl od fyzického zdraví se duševní zdraví posuzuje prostřednictvím řady subjektivních parametrů. Proto chybí objektivní a kvantitativní metody pro hodnocení duševního zdraví. Navíc pacienti vyhledávají pomoc, až když je jejich duševní problém v pokročilé fázi. Chybí tedy nepřetržité sledování jejich duševního zdraví.
Výzvy: Mnoho abnormalit souvisejících s problémy duševního zdraví se jen nepatrně projevuje a souvisí s chováním a dalšími změnami ve výrazech obličeje, řeči a rukopisu. Kromě toho dochází ke změnám hladiny kortizolu, kožní vodivosti, variability srdeční frekvence a frekvence dýchání. Existuje tedy několik modalit, které by měly být zahrnuty pro měření a kvantifikaci jakýchkoli abnormalit souvisejících s duševním zdravím.
Téma práce: Každá modalita má své pro a proti. Například v neurozobrazování má funkční magnetická rezonance vysoké prostorové rozlišení (v mm) a nízké časové rozlišení (v sekundách), zatímco elektroencefalogram má nízké prostorové rozlišení (v cm) a vysoké časové rozlišení (v milisekundách). Kombinace obou povede k vysokému prostorovému i vysokému časovému rozlišení. Výzkum se bude zabývat hodnocením abnormalit vedoucích k problémům duševního zdraví pomocí multimodálního přístupu. Různé modality mohou mimo jiné zahrnovat mozkové signály elektroencefalogramu (EEG), obličejová videa, zvuk řeči, rukopis a text ze sociálních médií. Mezi fyziologické parametry z různých modalit patří mimo jiné srdeční frekvence, frekvence dýchání, dominantní emoce, únava a stres. Dominantní emoce mohou být klasifikovány jako pozitivní nebo negativní a poté podřazeny jako smutné, šťastné, naštvané atd. Pro tuto multimodální analýzu budou vyvinuty techniky dolování dat a fúze dat. Pro tento projekt jsou k dispozici odpovídající multimodální data.
Odporúčacie systémy sú integrálnou súčasťou prakticky každej modernej webovej aplikácie. Personalizované, resp. adaptívne služby, sa stali štandardom, ktorý je používateľmi aplikácií vyžadovaný skoro vo všetkých doménach (napr. spravodajstvo, četoví agenti, sociálne médiá alebo vyhľadávanie).
Personalizácia má očividne obrovský vplyv na každodenný život miliónov používateľov naprieč mnohými doménami a aplikáciami. To je zdrojom zásadnej výzvy - návrh metód, ktoré sú nielen presné, ale aj dôveryhodné a spravodlivé. Táto výzva ponúka mnohé výskumné príležitosti vo viacerých smeroch:
Nové metódy strojového učenia pre adaptívne a odporúčacie systémy
Off-policy učenie
Vysvetľovanie odporúčaní
Férovosť a spravodlivosť v odporúčaní
Skreslenia v odporúčaní
Jednotlivé smery a výzvy môžu byť adresované vo viacerých doménach ako napríklad vyhľadávanie, elektronický obchod, spravodajstvo, sociálne médiá a iné.
Súvisiace publikácie:
M. Kompan, P. Gaspar, J. Macina, M. Cimerman, M. Bielikova. Exploring Customer Price Preference and Product Profit Role in Recommender Systems. In IEEE Intelligent Systems int. Journal, 2021. https://doi.org/10.1109/MIS.2021.3092768
M. Svrcek, M. Kompan, M. Bielikova. Towards Understandable Personalized Recommendations: Hybrid Explanations. In Computer Science and Information Systems. Vol. 16, No. 1, 2019. https://doi.org/10.2298/CSIS171217012S
Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.
Školitel: Bieliková Mária, prof. Ing., Ph.D.
Školitel: Kompan Michal, doc. Ing., PhD.
Cílem je studovat a vědecky a technologicky rozvíjet problematiku zpracování dohledových videí v oblasti dopravy a dolování užitečných dat z nich. Práce bude zaměřena na aktuální algoritmy re-identifikace vozidel, počítání vozidel v dopravě a na parkovacích místech různého druhu, měření rychlosti a získávání dalších zajímavých dat. Zaměření bude na použití kamer umístěných v ne docela výhodných úhlech a pozicích, které stávající a používané algoritmy vylučují z použití.Zejména se řešitel zaměří na následující:
Tématem jsou algoritmy zpracování obrazu, videa a/nebo signálu. Hlavním cílem je zkoumat a do hloubky analyzovat příslušné algoritmy a hledat nové tak, aby měly nové potřebné vlastnosti, a bylo možné je efektivně implementovat. Taková efektivní implementace může , ale nemusí být součástí práce, ale důležité je algoritmy připravit tak, aby šly efektivně zpracovávat například v CPU, v CPU s akcelerací SSE instrukcemi, v embedded systémech, i v kombinaci s FPGA, v Intel Xeon PHI, v systémech s extrémně nízkým příkonem, případně v jiném prostředí. Je možné i využití algoritmů umělé inteligence, včetně neuronových sítí, zejména CNN. Důležité jsou též aplikační možnosti algoritmů s tím, že samotná aplikace může, ale nemusí být součástí řešení. Možné algoritmy/aplikace zahrnují:
Po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale patří do dané tématiky.
Je možnost spolupráce i na grantových projektech, zejména na nově podávaných TAČR, MPO, H2020, SCSEL (potenciálně možnost stipendia či pracovního poměru).
Projekt se zabývá pokročilými metodami syntézy obrazu. Cílem práce je výzkum nových metod pro fotorealistické (fyzikálně založené) i nefotorealistické (NPR) simulace světelné interakce ve scéně. Předpokládá se intenzivní spolupráce a stáže na špičkových institucích a firmách v oboru (Adobe, USA, MPII Saarbrücken, Německo, Disney Curych, Švýcarsko, INRIA Bordeaux, Francie).
Projekt se zabývá pokročilými metodami výpočetní fotografie. Cílem práce je výzkum nových metod pro výpočetní fotografii, což zahrnuje zejména softwarové řešení, které může být případně dále kombinováno s novou optikou a dalším hardware. Mezi oblasti výzkumu patří zpracování HDR obrazu a videa, převod barevného obrazu na černobílý, spektrální obraz, atd.
Strojové učenie je v centre výskumu v oblasti umelej inteligencie. Témam spojeným so strojovým učením sa venuje množstvo výskumníkov v akademickom svete a aj v biznise v prestížnych vedeckých pracoviskách. Riešenia vedeckých výziev sa veľmi rýchlo dostávajú do praxe. Oblasť je veľmi dynamická.
Témy v tejto doméne definujú významné vedecké konferencie, na ktorých sa stretávajú výskumníci z celého sveta (rank A*) ako napríklad ICML (International Conference on Machine Learning), NeurIPS (Advances in Neural Information Processing Systems), IJCAI (International Joint Conference on AI), COLT (Conference on Learning Theory). Témy a ich špecializáciu budú viesť externí mentori.
Zaujímavé výskumné výzvy zahŕňajú témy (ale sa neobmedzujú takto):
General Machine Learning (e.g., active learning, clustering, online learning, ranking, reinforcement learning, semi-supervised learning, time series analysis, unsupervised learning)
Deep Learning (e.g., architectures, generative models, deep reinforcement learning)
Learning Theory (e.g., bandits, game theory, statistical learning theory)
Optimization (e.g., convex and non-convex optimization, matrix/tensor methods, sparsity)
Trustworthy Machine Learning (e.g., accountability, causality, fairness, privacy, robustness)
Existuje veľa aplikačných domén, kde sa pokročilé metódy strojového učenia dajú využiť.
Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave pod vedením výskumníkov zo svetovo uznávaných výskumných skupín. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.
Projekt aktuálně není spojen přímo s žádným projektem, ale bude vypracován v úzké spolupráci s Policií ČR. Grantovou podporu tedy bude možné získat.Stejně tak je možné získat stáž v zahraničí - je podpora takovou stáž uskutečnit.Cílem práce je rekonstrukce poničených povrchů CD/DVD/BR/HDD, sestávající z:
Školitel: Kolář Dušan, doc. Dr. Ing.
Téma práce je zaměřeno na rozpoznávání řeči a zpracování dat pro komunikaci ATC-pilot v letectví. Bude se týkat všech komponentů automatického rozpoznávání řeči (ASR), tedy zpracování dat, akustického modelu, slovníku (včetně speciální letecké terminologie) a jazykového modelu.
Zadání vyžaduje zájem o matematiku, statistiku, strojové učení a zpracování řeči, výhodou je zběhlost v jazyce Python a jeho knihovnách pro strojové učení.
Školitel: Černocký Jan, prof. Dr. Ing.
Myšlenka vyvinout inteligentní metodu podporující návrh sítě, monitorování a správu není nová. Nedávný pokrok v oblasti umělé inteligence a zavedení P4 pro programování síťových zařízení však vytváří slibné prostředí pro dosažení tohoto cíle.Sebeuvědomění v tomto kontextu znamená schopnost sítě pozorovat svůj stav a zlepšovat své chování, aby splnila stanovené cíle [1]. Ačkoli primárním cílem každé sítě je doručovat datové pakety, existují také další důležité nefunkční požadavky, zejména QoS, bezpečnost, snížení spotřeby energie.Cíle práceTato práce si klade za cíl navrhnout síťový systém schopný pozorovat situaci a pomocí AI přístupu rozhodnout o dalším chování tak, aby poskytoval spolehlivou funkci i v případě kybernetického útoku. Projekt zahrnuje P4 jako technologii umožňující dosažení očekávaných cílů.Předpokládaný postup řešeníVýzkum se skládá z následujících hlavních kroků:
Cílem práce je vytvoření spolehlivého porovnávání 2D obličeje s projekcí 3D obličeje, konkrétně:
Neustály nárast množstva dostupných dát zdôrazňuje potrebu ich automatického spracovania a porozumenia. Špeciálnu výzvu predstavuje heterogénny neštruktúrovaný textový obsah v prirodzenom jazyku. Spracovanie prirodzeného jazyka (natural language processing, NLP) sa radí medzi najperspektívnejšie podoblasti umelej inteligencie s obrovským potenciálom inovatívnych aplikácií ovplyvňujúcich každodenný život.
Nedávne pokroky v oblastiach neurónových sietí a strojového učenia posunuli úspešnosť a záber porozumenia a generovania prirodzeného jazyka významne dopredu. Napriek tomu stále zostávajú výskumné výzvy týkajúce sa jednotlivých úloh spracovania prirodzeného jazyka, aplikačných domén a jazykov. Je potrebný ďalší výskum a prieskum súvisiacich javov, špeciálnu pozornosť v poslednej dobe púta problém interpretovateľnosti a vysvetliteľnosti modelov pre NLP alebo rôzne inovatívne paradigmy učenia adresujúce problém nízkej dostupnosti zdrojov potrebných pre učenie.
Zaujímavé výskumné výzvy zahŕňajú (najmä, ale nielen):
Spracovanie jazykov s malým množstvom zdrojov
Učenie s prenosom / multilingválne učenie
Férovosť, interpretovateľnosť, transparentnosť, vysvetliteľnosť a robustnosť pre NLP
Doménovo-špecifická extrakcia informácií a klasifikácia textu
Vizuálne ukotvenie jazyka, titulkovanie obrázkov, spracovanie multimodálnych dát
Hlboké učenie pre NLP
Pikuliak, M., Šimko, M., Bieliková, M. Cross-lingual learning for text processing: A survey. Expert Systems with Applications, 2021. https://doi.org/10.1016/j.eswa.2020.113765
Korenek, P., Šimko, M. Sentiment analysis on microblog utilizing appraisal theory. World Wide Web, 2014. https://doi.org/10.1007/s11280-013-0247-z
Školitel: Šimko Marián, doc. Ing., Ph.D.
Přestože existují technologie, které umožňují publikovat data na WWW ve strojově čitelné podobě (jako např. JSON-LD, RDFa, apod.), velké množství strukturovaných dat je na webu stále publikováno ve formě prostého HTML/CSS kódu, který velmi omezuje možnosti jejich dalšího využití.V poslední době nabývají na významu nové metody strojového učení (zejména deep learning metody), které vykazují zajímavé výsledky např. při rozpoznávání důležitých entit ve slabě strukturovaných nebo nestrukturovaných datech (např. v textu nebo obraze). Oblasti zpracování webových dokumentů však není z tohoto pohledu věnována velká pozornost. Existující práce se zabývají identifikací jednoduchých datových položek a pomíjí strukturovaná data a komplexnější scénáře použití.Cílem tématu je proto analýza a vývoj modelů webového obsahu vhodných jako vstup pro strojové učení a současně i metod strojového učení vhodných pro rozpoznání strukturovaných dat ve webových dokumentech.
Modely vytvárané strojovým učením môžu byť len tak dobré, aké dobré sú dáta, ktoré použijeme na ich trénovanie. Aj preto sa výskumníci a inžinieri snažia získavať čo najlepšie trénovacie dáta. Nie je pritom zriedkavé vynakladať značné ľudské úsilie (pri čistení či anotovaní) s cieľom dosiahnuť potrebnú všeobecnú kvalitu. Niekedy je však ťažké, prípadne nemožné dostatočne pripraviť vzorku dát.
V takýchto prípadoch môžu pomôcť riešenia založené na princípe "človek v procese" (angl. human in the loop), ktorý využíva ľudské úsilie na vylepšovanie strojovo naučených modelov prostredníctvom ľudských zásahov priamo počas trénovania a/alebo počas nasadenia modelov (napr. spätná väzba pri automatickom preklade). Tieto riešenia sú špeciálne užitočné pri cielených zlepšeniach trénovacích dát prostredníctvom identifikácie a riešenia sporných prípadov. Toto je taktiež priamo spojené s vysvetliteľnosťou a interpretovateľnosťou modelov.
Prístupy s človekom procese zahŕňajú pestrú paletu techník z oblastí ako aktívne a interaktívne učenie, ľudské počítanie, čerpanie z davu či kolektívna inteligencia (spolu s motivačnými schémami ako gamifikácia a hry s účelom). Každá z týchto oblastí (či ich kombinácia) predstavuje príležitosti pre nové objavy. Taktiež hraničia s ďalšími disciplínami informatiky ako vizualizácia dát, použiteľnosť a používateľský zážitok a softvérové inžinierstvo.
Aplikačné domény strojového učenia s človekom v procese sú predovšetkým tie s veľkou mierou heterogenity a nestálosti. Takéto domény zahŕňajú napríklad aj detekciu falošných informácií, šírenie informácií online (vrátane šírenia naratívov a mémov), auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, podpora manuálneho/automatického overovania informácií (fact-checking) a ďalšie.
M. Tomlein, B. Pecher, J. Simko, I. Srba, R. Moro, E. Stefancova, M. Kompan, A. Hrckova, J. Podrouzek, and M. Bielikova. An Audit of Misinformation Filter Bubbles on YouTube: Bubble Bursting and Recent Behavior Changes. In Fifteenth ACM Conference on Recommender Systems (pp. 1-11). 2021, September. https://dl.acm.org/doi/10.1145/3460231.3474241
J. Šimko and M. Bieliková. Semantic Acquisition Games: Harnessing Manpower for Creating Semantics. 1st Edition. Springer Int. Publ. Switzerland. 150 p. https://link.springer.com/book/10.1007/978-3-319-06115-3
Školitel: Šimko Jakub, doc. Ing., PhD.
Všadeprítomnosť počítania dnes generuje množstvo dát potenciálne využiteľných v trénovaní modelov v strojovom učení. Problémom však je, že tieto dáta spravidla nebývajú anotované, teda bez značiek potrebných pre konvenčné učenie s učiteľom (napr. klasifikáciu). Získavanie značiek pomocou ľudskej práce je pritom veľmi nákladný proces. Výsledkom je teda stav, v ktorom je potrebných značiek málo, sú zlej kvality, alebo vôbec nie sú k dispozícii.
Na obídenie tohto problému sú v súčasnosti skúmané viaceré prístupy: meta-učenie, učenie s prenosom (transfer learning), učenie so slabými signálmi spätnej väzby (weakly supervised learning), učenie s jedným príkladom (one-shot learning), učenie bez priameho príkladu (zero-shot learning). Každá z týchto techník (alebo ich kombinácia) predstavuje príležitosť pre nové objavy. Ortogonálne k týmto technikám tiež stojí vysvetliteľnosť a interpretovateľnosť modelov, ktorá je dôležitým faktorom a prínos v tomto smere je vítaný (v rámci uvádzaných techník aj všeobecne v umelej inteligencii).
Existuje veľa aplikačných domén, kde sa metódy a modely riešenia malého množstva označkovaných dát dajú uplatniť. Nachádzajú sa medzi nimi aj veľmi aktuálne oblasti detekcie nepravdivých informácií, auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, či podpora overovania informácií (fact-checking).
B. Pecher, I. Srba, and M. Bielikova. Learning to Detect Misinformation Using Meta-Learning. Presented in PhD Forum by B. Pechcer at the European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases - ECML-PKDD 2020.
M. Pikuliak, M. Simko, M. Bielikova. Cross-Lingual Learning for Text Processing: A Survey Expert Systems With Applications or its open access mirror. Expert Systems with Applications. Vol. 165, 2021. https://doi.org/10.1016/j.eswa.2020.113765
Množstvo problémov týkajúcich sa bezpečnosti je potrebné riešiť prostredníctvom metód založených na umelej inteligencii a s pomocou strojového učenia. Medzi aktuálne výskumné problémy v oblasti informačnej bezpečnosti patrí analýza údajov veľkých bezpečnostných logov, detekcia širokej škály anomálií pri sieťovej komunikácii, detekcia škodlivého správania.
Jednou z aktuálnych výziev umelej inteligencie, je učenie bez potreby označenej dátovej sady. Dnešné modely väčšinou dosahujú vynikajúce výsledky, ale veľa krát ich dosahujú vďaka veľkým množstvám označených trénovacích vzorov. Existujú ale problémy, pri ktorých by vytvorenie takejto dátovej sady bolo veľmi nákladné, alebo sa vytvoriť vôbec nedá. Prístupy učenia posilňovaním (reinforcement learning) umožňujú učiť agenta vykonávať akcie tak, aby dosiahol svoj cieľ, pričom sa snaží maximalizovať svoje odmeny. Takýto agent nepotrebuje označenú dátovú sadu, postačí mu len vonkajšie ohodnotenie jeho správania (odmena za dobré rozhodnutia, trest za zlé).
Výzvou je interpretovateľnosť strojového učenia pri riešeniach bezpečnosti a dôvery.
CHUDÁ, Daniela - KRÁTKY , Peter - BURDA, Kamil. Biometric Properties of Mouse Interaction Features on the Web. In Interacting with Computers : The Interdisciplinary Journal of Human-Computer Interaction. Vol. 30, iss. 5 (2018), s. 359-377. https://doi.org/10.1093/iwc/iwy015
P. Lacko, V. Kvasnička. Mixture of Expert Used to Learn Game Play. In: Kůrková V., Neruda R., Koutník J. (eds) Artificial Neural Networks - ICANN 2008, Lecture Notes in Computer Science, vol 5163. Springer. https://doi.org/10.1007/978-3-540-87536-9_24
Školitel: Chudá Daniela, doc. Mgr., Ph.D.
Rostoucí trend v používání umělé inteligence přináší nové přístupy v oblasti kybernetické bezpečnosti na obou stranách - útočníci i obránci. Nejvýznamnějšími příklady je použití tzv. "deepfakes" k útoku na biometrické systémy nebo využití technik deeplearningu k detekci kybernetických útoků. Cílem této práce je analyzovat všechny existující přístupy, jejich vlastnosti a potenciální aplikace. Práce by poté měla navrhnout nové aplikace AI pro problémy, které nebyly dříve vyřešeny, a zároveň implementovat nejzajímavější aplikaci.
Projekt se zabývá geo-lokalizací mobilních zařízení v neznámém prostředí pomocí metod počítačového vidění a počítačové grafiky. Hlavním cílem je výzkum a návrh nových metod registrace obrazu s geo-lokalizovanou obrazovou databází nebo s 3D modelem terénu. Cílem je též implementace navržených metod na mobilních zařízeních a hledání jejich dalších aplikací např. v oblastech zpracování obrazu, výpočetní fotografie a rozšířené reality.
Toto téma se zaměřuje na proces a techniky používané pro detekci kybernetických hrozeb, získávání a reprezentaci dat o ohrožení. Cílem této disertační práce je prostudovat současné techniky a navrhnout řešení, které efektivně vylepšuje proces a jeho výsledky použitelné pro detekci malwaru a zjišťování dalších informací o kybernetických hrozbách.
Na vedení práce se bude podílet školitel-specialista
Cílem práce je vytvoření 3D modelu obličeje z 2D fotografií různorodého původu, konkrétně:
Technologie sémantického webu umožňují reprezentaci informací a znalostí pro účely jejich dalšího sdílení např. mezi počítačovými aplikacemi. Dostupné znalostní databáze, jako např. DBPedia nebo Wikidata, obsahují velké množství dále využitelných informací a faktů. Na současném webu je však většina nových informací publikována ve formě dokumentů nejčastěji v jazyce HTML, jejichž další zpracování je problematické zejména kvůli jejich volné struktuře a absenci explicitních informací o významu jednotlivých částí obsahu. Nabízí se dva způsoby, jak tuto propast mezi klasickým a sémantickým webem překonat:
Pro dosažení obou těchto cílů je nutné analyzovat možnosti existujících ontologických modelů s ohledem na popis konkrétních cílových domén a možnosti mapování těchto popisů na obsah reálných webových stránek a dokumentů. Možné aplikace zahrnují mimo jiné následující:
Nedílnou součástí je rovněž experimentální implementace navržených metod s využitím existujících nástrojů a experimentální ověření na reálných datech a dokumentech.
Výzkumný problém: Učení a paměť jsou dva základní vzájemně propojené kognitivní procesy. Učení je změna v chování v důsledku nějaké zkušenosti; zatímco paměť je schopnost ukládat a vybavovat si naučené zkušenosti (týká se dlouhodobé paměti). Proto je důležité posoudit schopnost retence dlouhodobé paměti jednotlivce a vytvořit příslušnou klasifikaci (schopnost pamatovat si, rychlost vybavení si údajů apod).
Problémy se současnými řešeními: Stávající studie se zaměřují na krátkodobou paměť. Odpovídající studie týkající se dlouhodobé paměti jsou však vzácné. Hlavním důvodem je, že experiment zahrnující krátkodobou paměť lze dokončit velmi rychle, ale experiment zahrnující dlouhodobou paměť vyžaduje značný čas a úsilí.
Výzvy: Během několika posledních desetiletí výzkumní pracovníci a pedagogové vynaložili značné úsilí na vytvoření obsahu (podnětů pro paměť), který může vést k efektivnímu učení. Kromě 2D a 3D audiovizuálního obsahu se nyní vyvíjí i řešení založená na virtuální realitě. Výzvou je nalézt vhodné stimuly umožňující zvýšit efektivitu učení, popř. detekovat poruchy dlouhodobé paměti.
Téma práce: Tento výzkum plánuje využít různé 2D a 3D podněty, vyvinout vhodnou klasifikaci retence a tomu odpovídající metodu klasifikace schopností dlouhodobé paměti. Metoda bude založena na učení a měření výkonnosti lidské paměti pomocí analýzy neurofyziologických účinků (zjištěných z mozkových EEG dat) při využití 3D obsahu i virtuální reality během procesu učení a zapamatování. Pro tento projekt je již k dispozici datový soubor EEG.
Pár slov o školiteli: Dr. Malik nedávno nastoupil na FIT VUT v Brně. Má desetiletou zkušenost s prací v oblasti zpracování neuro-signálů a neuro-obrazu. V současné době je v procesu zakládání výzkumné skupiny v této oblasti na FIT. Jedná se o multidisciplinární projekt, který bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT. Jedná se o vývoj nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz