Bemutatkozás

A kutatócsoport az ELTE IK Numerikus Analízis Tanszékén alakult 2024-ben az ELTE Egyetemi Kiválósági Alap Kutatócsoporti Alprogramjának 65.458.800 millió forintos támogatásával. A kutatócsoport modellvezérelt gépi tanulással foglalkozik, amely az értelmezhető mesterséges intelligencia (XAI) új és gyorsan fejlődő területe. A megközelítés matematikai és fizikai heurisztikákat (pl. ritkaság, simaság, dinamikus jellemzők) integrál a gépi tanulási algoritmusok architektúráiba, veszteségfüggvényeibe, sőt akár a tanító adatokba is. Ez az irány csökkenti a mélytanulás nagy adatfüggőségét és bonyolultságát, miközben a betanított modellek döntési mechanizmusa értelmezhetővé válik. Az eredmények biztonságkritikus alkalmazásokban kerülnek hasznosításra, mint például autonóm járműirányítás, egészségügy, intelligens közlekedési és energiarendszerek, ahol a teljesítmény mellett a döntéshozatal átláthatósága és értelmezhetősége kulcsfontosságú.

Csoport saját honlapja: intézeti link

Kutatási területek

• Modellvezérelt MI: paraméterezett ortogonális projekciókat, konvex optimalizálási technikákat és differenciálegyenleteket kombinálunk MI modellekkel különböző modellvezérelt paradigmákban, úgymint változóprojekció, deep unfolding és fizikailag informált tanulás.
• Utólagos XAI: a modellvezérelt MI átlátható döntéshozatalt kínál, de nem mindig illeszkedik a szakterületi tudáshoz. Például egy matematikailag értelmezhető modell frekvenciákat és statisztikákat nyerhet ki, de egy kardiológus számára, aki az EKG morfológiáját és időzítését használja diagnózishoz, ez nem feltétlenül világos. Ezért ötvözzük a modellalapú MI megközelítéseket utólagos értelmezési elemzéssel, hogy hasznos betekintést nyújtsunk a gyakorlati felhasználóknak.
• Biztonságkritikus alkalmazások: modellalapú XAI módszerek alkalmazása termográfiás képalkotásban (roncsolásmentes vizsgálatokhoz), járműrezgés-elemzésben (féktárcsa-deformáció és csapágyhibák kimutatására), multimodális bioszignál-elemzésben, például EEG.
• EKG és PPG feldolgozásban, forgalmi terhelésbecslésben és közeli-baleseti szituációk előrejelzésében városi közlekedésben, önvezető vonatok irányításában, valamint megújuló energia előrejelzésében.
• Edge hardver implementáció: erőforráshatékony tanulási eljárások fejlesztése, amelyek kevesebb tanítóadatot és számítási kapacitást igényelnek, gyors algoritmusok valós idejű feldolgozáshoz, valamint beágyazott MI megoldásokhoz.

Módszertan

• Fizikai alapú előfeltevések (pl. szimmetriák, megmaradási törvények) beágyazása a neurális hálók hierarchikus architekturális tervezésébe (pl. gráf neurális hálók). Tanulási torzítások bevezetése dinamikai egyenletekkel és puha büntetőfeltételekkel a veszteségfüggvényben.
• Iteratív numerikus algoritmusok (pl. ADMM, FISTA) átalakítása neurális hálókká, ahol minden réteg egy iterációt utánoz tanítható paraméterekkel.
• Utólagos MI módszertanok alkalmazása, mint vizualizációk (hőtérképek, t-SNE), eset-alapú érvelés, valamint jellemző-hozzárendelés értékelése Shapley-értékekkel és integrált gradiens módszerekkel.

Kutatócsoport tagjai

• Dr. habil. Kovács Péter (kutatócsoport-vezető, MTMT, Tud-O-Méter)
• Dr. Dózsa Tamás, adjunktus
• Dr. Bognár Gergő, adjunktus
• Ámon Attila Miklós EKÖP-KDP doktori hallgató (ipari partner: Siemens Mobility Hungary Kft.)
• Galiger Gergő EKÖP-KDP doktori hallgató (ipari partner: BKK Zrt. Modellezés és adatelemzés osztály)
• MSc hallgatók: Darabos Dominika, Boga Zsombor
• BSc hallgatók: Nguyen Chien

Projektek és elnyert pályázatok

• 1 hazai pályázat (ELTE University Excellence Program EKA-KCS-24, Nr.: 2024/089-P253-1)
• 1 nemzetközi pályázat (DAAD Programmes for Project-Related Personal Exchange 2024, Nr.: DAAD-2025-26-000009)
• 3 ipari projekt a Siemens Mobility Hungary Kft., a Budapesti Közlekedési Központ (BKK) Zrt., valamint a Research Center for Non-Destructive Testing GmbH együttműködésével

Kiemelt publikációk

• A. M. Ámon, K.  Fenech, P. Kovács, T. Dózsa (2025): Rational Gaussian wavelets and corresponding model driven neural networks, IEEE Transactions on Signal Processing [DOI] D1
• G. Bognár, M. Feindert, C. Huber, M. Lunglmayr, M. Huemer, P. Kovács (2025): Deep unfolded variable projection networks, International Journal of Neural Systems [DOI] D1
• Zs. Boga, Cs. Sándor, and P. Kovács (2025): A multidimensional particle swarm optimization-based algorithm for brain MRI tumor segmentation, Sensors [DOI] Q1
• D. Darabos, A. Troglio, A. Fiebig, A. Maxion, E. Kutafina, B. Namer, G. Bognár, P. Kovács (2025): Explainable spike detection algorithm on C-fiber microneurography data using weighted Hermite variable projection neural networks, 47th Annual International Conference of the IEEE Engineering in Medicine and Biology [DOI]
• G. Galiger; T. Steinbrinker, G. Bognár, N. Spicher, P. Kovács (2025): Sparse dictionary learning neural networks for ECG signal denoising, 47th Annual International Conference of the IEEE Engineering in Medicine and Biology [DOI]
• T. Dózsa, J. Radó, J. Volk, A. Kisari, A. Soumelidis, P. Kovács (2022): Road abnormality detection using piezoresistive force sensors and adaptive signal models, IEEE Transactions on Instrumentation and Measurement [DOI]

Elérhetőség

Dr. Kovács Péter – kovika@inf.elte.hu