Nasze badania
Katedra Sztucznej Inteligencji prowadzi badania w zakresie opracowania nowych metod eksploracji danych również cechujących się brakiem precyzji opisu, które uwzględniają zarówno przypadki niekompletne, jak i różne przyczyny niekompletności. Rozwijamy metody wielostrategicznego modelowania wiedzy, jej arytmetyki oraz interrelacyjnej analizy zależności.
Tworzymy m.in. unikalne rozwiązania w zakresie algorytmów wielokryterialnego podejmowania decyzji oraz przetwarzania i analizy obrazów biomedycznych, które wspomagają skuteczną diagnostykę.
Kontakt: tmroczek@wsiz.edu.pl
Zespoły badawcze
W ramach tematu badawczego „Narzędzia nowej generacji dla uczenia federacyjnego skutecznie wspierające systemy wspomagania decyzji z niepewnością” została utworzona w Katedrze Sztucznej Inteligencji grupa badawcza, której głównym celem jest rozwój metod i narzędzi w systemach uczenia federacyjnego uwzględniających nieprecyzyjność, niepewność oraz braki w danych. W tym celu planowane jest wykorzystanie wielu źródeł danych do uczenia skutecznych modeli sztucznej inteligencji bez konieczności udostępniania danych źródłowych (uczenie federacyjne z zachowaniem bezpieczeństwa i anonimowości danych) z uwzględnieniem nieprecyzyjności.
Uczenie federacyjne (FL) to szczególne podejście do szkolenia algorytmów uczenia maszynowego (ML) w sposób, który oznacza, że dane pozostają prywatne. W szczególności techniki federacyjnego uczenia się mają na celu szkolenie algorytmów uczenia maszynowego na wielu rozproszonych urządzeniach lub serwerach, z których każdy posiada własne dane lokalne i prywatne.
To oparte na współpracy podejście kontrastuje z tradycyjnymi technikami uczenia maszynowego, które mają charakter scentralizowany i polegają na zebraniu wszystkich próbek danych w jednym unikalnym zestawie danych przed ich użyciem. Różni się również od technik opartych na obliczeniach równoległych, które zostały opracowane w celu optymalizacji obliczeń ML na wielu procesorach, przy użyciu scentralizowanego zestawu danych, który jest podzielony na identycznie rozproszone podzbiory do obliczeń.
Celem badań jest poprawa efektywności systemów wspierających uczenie federacyjne za pomocą metod uwzględniających niepewność danych, gwarantując prywatność członków, przy jednoczesnej odporności na ataki i zapewnieniu uczciwości pomiędzy członkami systemu.
W wielu dziedzinach życia, np. w przemyśle, medycynie lub ekonomii pojawia się problem, gdy organizacja nie ma wystarczająco dużego zestawu danych, aby skonstruować system decyzyjny/diagnostyczny odpowiedniej jakości. W tym przypadku dane z różnych organizacji muszą być stosowane, co związane jest z problemem udostępniania danych. Do przezwyciężania tych problemów, uczenie federacyjne staje się coraz bardziej popularne, umożliwiając automatyczne uczenie się w sieciach rozproszonych autonomicznych partnerów bez udostępniania surowych danych.
Ważnym celem powstającego zespołu jest wzmocnienie wskazanego obszaru badań, poprzez współpracę z Uniwersytetem Rzeszowskim oraz wiodącymi na arenie międzynarodowej Uniwersytetem w Maastricht.
Skład zespołu:
dr hab. Barbara Pękala, prof. WSIZ
prof. Anna Wilbik (Maastricht University)
dr inż. Teresa Mroczek (WSIZ)
mgr inż. Dorota Gil (WSIZ)
dr Ewa Rak (UR)
mgr Jarosław Szkoła (UR)
mgr Dawid Kosior (UR)
dr inż. Piotr Grochowalski (UR)
Projekty naukowo-badawcze finansowane ze źródeł zewnętrznych
Zastosowanie technik cyfrowych do automatycznego rozpoznawania raka skóry – „Digital solutions for automatic skin cancer diagnosis”.
Kierownik projektu po stronie polskiej: prof. J. W. Grzymała-Busse, po stronie niemieckiej: prof. Jens Haueisen
Celem projektu było opracowanie metod i algorytmów przetwarzania obrazów, które będą wspomagały diagnozę czerniaka złośliwego wykonywaną przez dermatologów oraz lekarzy pierwszego kontaktu, zapewniając obiektywne i wiarygodne wyniki. Zrealizowany we współpracy z Technische Universität Ilmenau i firmę JensLab
Okres realizacji: 05.2019–04.2022
Finansowanie: Narodowe Centrum Badań i Rozwoju (NCBiR)
Badania nad algorytmami syntezy statycznych obrazów znamion melanocytowych
Kierownik projektu: prof. dr hab. inż. Zdzisław Hippe zhippe@wsiz.edu.pl
W wyniku realizacji projektu utworzono specjalizowane narzędzie informatyczne Instant-Nevi-Painter.PL (zwane dalej INP), przeznaczone do tworzenia syntezowanych komputerowo cyfrowych obrazów wybranych odmian znamion, udostępnione via Internet pod adresem http://synteza.melanoma.pl/. Algorytmy syntezy obrazów zaimplementowane aktualnie w INP, dotyczą najbardziej zagrażających człowiekowi znamion melanocytowych skóry grupy Nevus oraz z grupy Melanoma, obejmując syntezą także wszystkie podtypy tych znamion. Badania prowadzone podczas realizacji omawianego projektu doprowadziły do spostrzeżenia, że bardziej ścisłe rozpoznanie typu znamienia (a w konsekwencji, lepsza synteza jego obrazu) wymaga zmodyfikowania pierwotnej reguły ABCD, nadając jej postać ABK, gdzie term K oznacza dozwolone, liniowe kombinacje kolorów i zróżnicowania struktur. Term K został przez nas wyłoniony na podstawie wyczerpujących badań statystycznych, poświęconych analizie współwystępowania tych symptomów w rzeczywistych obrazach cyfrowych znamion melanocytowych. Aktualnie, rozpoznano 53 dopuszczalne wartości termu K. Do praktycznych efektów realizacji projektu należy niewątpliwie zaliczyć utworzenie specjalizowanego narzędzia informatycznego Instant-Nevi-Painter.PL. Korzystając z w/w narzędzia można utworzyć dla własnych celów (bez możliwości zapisu) roboczy zbiór obrazów syntezowanych. Zbiór ten może być przydatny zarówno w (i) procesie diagnozowania – poprzez porównanie znamienia pacjenta/pacjentki z odpowiednim znamieniem syntezowanym, jak i też w (ii) procesie wspomagania nauczania niektórych przedmiotów na studiach medycznych (dermatologia) i para-medycznych (kosmetologia, ochrona zdrowia, zdrowie publiczne).
Okres realizacji: 20.04.2011–19.04.2013
Finansowanie: Projekty badawcze własne MNiSW konkurs 4 (N N 516482640)
Projekty naukowo-badawcze finansowane z subwencji Ministerstwa
Modele teorii zbiorów rozmytych i przybliżonych stosowane do wykrywania postawy
Kierownik projektu: dr hab. Barbara Pękala, prof. WSIiZ
Celem badań jest rozwój nowych metod inteligencji obliczeniowej konstruowanych dla tzw. danych niepewnych wymagających nieklasycznych metod reprezentacji i modelowania. W szczególności zidentyfikowane zostaną zestawy algorytmów rozmytego i przybliżonego wnioskowania do wykrywania postawy ciała, które wykazują skuteczność na zadanym poziomie dokładności i jakości poszczególnych metod klasyfikacyjnych.
Okres realizacji: 2021-2023
Modele hybrydowe wykorzystujące teorie zbiorów rozmytych i przybliżonych oraz ich zastosowanie w medycynie
Kierownik projektu: dr hab. Barbara Pękala, prof. WSIiZ
Opracowanie modeli Rough-Fuzzy do przetwarzania i analizy obrazu w zagadnieniu „Optymalizacja pracy gabinetów fizjoterapii” oraz opracowanie optymalnego „Hybrydowego systemu regułowego opartego na wiedzy eksperckiej i uczeniu maszynowym”.
Okres realizacji: 2023-2024
Eksploracja danych niekompletnych oraz zobrazowań biomedycznych
Kierownik projektu: dr inż. Teresa Mroczek tmroczek@wsiz.edu.pl
W ramach niniejszych badań proponowane są dwa odrębne cele:
(1)tworzenie nowych metod analizy niekompletnych zbiorów danych oraz odej-ście od powszechnie stosowanego podejścia w drążeniu danych niekomplet-nych, tj. uzupełniania brakujących wartości atrybutów jeszcze przed procesem drążenia na rzecz rozwoju metod interpretacji niekompletności oraz indykato-rów zbioru
oraz
(2)opracowanie nowych metod umożliwiających prowadzenie ilościowej oceny obrazów biomedycznych, w tym głównie opracowanie metody automatycznej klasyfikacji cyfrowych obrazów znamion melanocytowych skóry z zastoso-waniem głębokich sieci neuronowych (ang. deep learning networks)
Okres realizacji:2023-2025
