Informatika

---

Tyrimų tematikos aprašas.

Natūrali vartotojo sąsaja – tai žmogaus ir kompiuterio bendravimo forma, kuomet vartotojas duoda komandas natūraliais kasdieniniais veiksmais. Tokia sąsaja gali būti realizuota įvairiais būdais priklausomai nuo paskirties ir vartotojo reikalavimų. Natūralūs ir paprasti technologijų valdymo būdai sutrumpina apmokymams skirtą laiką. Smegenų – kompiuterio sąsaja (Brain – Computer interface) yra sistema, kuri smegenų aktyvumą verčia į valdymo signalus kompiuteriui ar kitam elektronikos prietaisui. Šios sąsajos taikymo galimybės gan plačios, nuo pagalbos neįgaliesiems iki žaidimų kūrimo. Nepaisant to, kad neurologai tiksliai nežino kaip neuronai smegenyse apdoroja žmogaus jutimus ir formuoja raumenų valdymo signalus, yra galimybė matematiniais algoritmais analizuoti ir interpretuoti šią neuronų veiklą. Šiam tikslui pasiekti reikia būdų tiksliai ir patikimai fiksuoti smegenų aktyvumą. Elektroencefalograma (EEG) yra vienas iš tų būdų. Tai neinvazinis galvos smegenų bioelektrinio aktyvumo tyrimas, kurio metu registruojami galvos smegenų elektriniai potencialai. Kadangi EEG signalai yra netiesiniai ir priklauso nuo kiekvieno asmens yra sudėtinga išskirti konkrečius valdymo signalus. Tam reikia naudoti save apsimokančius algoritmus, tokius kaip dirbtiniai neuronų tinklai ar atraminių vektorių mašinos. Paveikslų atpažinime ir klasifikavime labai gerus rezultatus rodo gilieji neuroniniai tikslai. Smegenų aktyvumo signalus galima atvaizduoti paveikslu. Tyrimo tikslas būtų pritaikyti giliuosius neuroninius tinklus smegenų kompiuterio sąsajos signalų atpažinimui.

---

Tyrimų tematikos aprašas.

„Juodos dėžės“ principu sukurti dirbtinio intelekto algoritmai priima sprendimus, kurių pagrįstumą sunku paaiškinti net pačio algoritmo kūrėjui. Neretai tokio pobūdžio algoritmai mokymo duomenų apibendrinimui sukuria tokias taisykles, kurios gali būti netinkamos kitai duomenų imčiai, t.y., per didelio prisitaikymo prie apmokymo duomenų imties problema. Todėl platesnį dirbtinio intelekto metodų taikymą riboja žmonių pasitikėjimo trūkumas priimtais dirbtinio intelekto algoritmų sprendimais. Ypač kai nėra aiškių ir objektyvių kriterijų, bei taisyklių, kuriomis vadovaujantis būtų galima paaiškinti algoritmo priimtą sprendimą (pvz., konvoliucinis neuroninis tinklas - giliojo mokymo algoritmas). Aiškios sąsajos tarp tikslumo ir aiškumo nebuvimas neleidžia žmogui prognozuoti ir nuosekliai sekti modelio rezultatus. Paaiškinamas Dirbtinis Intelektas (angl. XAI) tai visi automatinio sprendimo priėmimo metodai ir algoritmai, įtraukiant ir aiškinamuosius mašininio mokymosi (angl. iML) modelius, kurių 5 sprendimus ir jų priėjimo procesą galima suprasti ir paaiškinti. Racionaliai paaiškinami algoritmai galėtų būti giliau taikomi medicinos srityje diagnozuojant kritines gyvybei ligas, kibernetinio saugumo srityje aptinkant anomalijas ir kitose žmogui svarbiose srityse. Pagrindinis darbo temos mokslinis neapibrėžtumas yra algoritmas, metodas, arba metodika, kurią taikant būtų galima suteikti skaidrumo „juodosios dėžės“ principu veikiantiems algoritmams. Šiuo metu yra atliekami tyrimai remiantis aiškinamuoju duomenų mokslu, tačiau vis dar nėra aišku koks tai turėtų būti algoritmas ir jo veikimo principas, kokia forma bus suteikiamas algoritmui skaidrumas. Tyrimų metu bus tiriami įvairūs dirbtinio intelekto metodai (didžiausią dėmesį skiriant giliojo mokymo algoritmams), nustatant tinkamiausią metodo tipą, struktūrą ir parametrus. Daugiau informacijos teirautis tematikos vadovo.

---

Tyrimų tematikos aprašas.

Įvairūs gamyklų įrengimai bei staklės dėvisi ir dažnai to paseka yra gedimas, kurį sunkus nustatyti naudojant įprastinius jutikliai. Šia tematika keliama hipotezė kad mechaninius gedimus galima išskirti pagal akustinius požymių rinkinius (analizuojant gamyklos garsinę aplinką mikrofonais). Akcentuojamas naujumo aspektas yra tas, kad gamybinė aplinka dažnai yra itin triukšminga, todėl čia ir keliamas tyrimų tikslas – sukurti bei ištirti specialų mašininiu mokymu paremtą kompiuterinį modelį, mechaninio gedimo aptikimui garsinio triukšmo aibėje. Būtinos žinios: dirbtinio intelekto metodai, objektinis programavimas, signalo apdorojimas

---

Tyrimų tematikos aprašas.

Šiais laikas animacijos ir jų panaudojimas yra neatsiejama dalis skaitmeninėse pramogose. Taipogi, judesio derinimas yra viena iš animacijos mažai paliestų sričių. Tyrimas, kaip gilieji, nuolat besimokantys neuroniniai tinklai galėtų prisidėti prie judesio derinimo animacijų, išlieka aktualus. Tyrimo tikslas - sukurti ir ištirti modelį, kuris gebėtų judesio animacijas dinamiškai priderinti prie konkrečios situacijos, pagal jėgos, judesio ar kitus vektorius veikiančiu objektą tam tikroje vietoje, atsiribojant nuo klasikinio fiksuoto animacijų rinkinio. Būtinos žinios: dirbtinio intelekto metodai, objektinis programavimas, animavimo metodai, žaidimų technologijos.

---

Tyrimų tematikos aprašas.

Šio darbo idėja paremta, prie riboto duomenų rinkinio bei ribotų vaizdinių sąlygų veikiančio modelio sukūrimu, siekiant sumažinti ar pašalinti laikysenos aptikimą ribojančias problemas, susijusias su riboto matomumo žmogaus liemeniu kadre jam sėdint prie stalo, t.y. okliuzijos problemą, taip pat dirbtinio intelekto metodais kompensuojant priklausomybę nuo kameros kampų, signalo aiškumo ir aplinkos apšvietimo bei kitų faktorių įtakos. Temos naujumas grindžiamas tuo, kad dabartiniai technologiniai apribojimai veda prie to, kad skeletu paremti, esami laikysenos nuspėjimo ir aptikimo metodai neveikia dėl to, kad jutikliai gauna nepakankamai duomenų, leidžiančių daryti išvadą apie visą žmogaus poziciją (priskyrimą „kaulinei sistemai“), ar atsirandant iškraipymų, ribojančių šio modelio aplikaciją. Būtinos žinios: dirbtinio intelekto metodai, objektinis programavimas, signalų apdorojimo technologijos.

---

Tyrimų tematikos aprašas.

Pagrindinis šios temos tikslas yra generatyviniais tinklais pagrįstas dinaminių judesių generavimo modelis, gebantis generuoti realistines animacijas pagal eilę dinaminių interaktyvios scenos imitacinių parametrų. Šios temos naujumo akcentas yra ties idėja, modeliuoti realistinius animacinius judesius natūraliau ir interaktyviau (nuo nulio), naudojant „tiesioginę“ programavimo animacijos logiką, derinant dirbtinį intelektą, biomechaniką, fiziką ir daugybę kitų dinaminių interaktyvios terpės veikimo metu galimų parametrų. Būtinos žinios: dirbtinio intelekto metodai, objektinis programavimas, skaitmeninės animacijos programavimas.

---

Tyrimų tematikos aprašas.

Bet kokie duomenys vienaip ar kitaip yra atspindimi laiko eilučių pavidalu. Gebėjimas pažvelgti giliau į laiko eilučių evoliucijos mechanizmus ir identifikuoti netiesinius modelius aprašančius šių eilučių dinamiką, įgalintų ne tiktai giliau suprasti mus supančius reiškinius, bet ir juos analizuoti ir prognozuoti. Doktorantūros tyrimų mokslinė problema yra netiesinių laiko eilučių analizės metodikų ir algoritmų kūrimas. Tyrimų tikslą galima apibūdinti kaip naujų matematinių algoritmų kūrimą, kurie leistų laiko eilutėse identifikuoti informaciją apie paslėptas netiesines chaotines, laike kintančias dinamines sistemas. Dažnai ši informacija yra paslėpta triukšme – taigi triukšmo tyrimo ir galimo eliminavimo algoritmų kūrimas taip pat bus svarbi disertacinio darbo dalis. Disertaciniame darbe bus kuriamos naujos metodikos ir algoritmai laiko eilučių matematinių modelių identifikavimui, laiko eilučių prognozavimui bei segmentavimui, defektų identifikavimui ir besivystančių procesų valdymui. Šiam tikslui bus kuriami ir panaudojami tokie įrankiai kaip dirbtinio intelekto, mašininio mokymosi pagrindu veikiantys algoritmai, pagrįsti perstatymų entropija, daugiamačių atraktorių rekonstrukcija, laiko vėlinimo matricomis, trupmeninės eilės išvestinių diferencialinėmis lygtimis. Per doktorantūros metus planuojama paskelbti bent 4 straipsnius tarptautiniuose žurnaluose su citavimo indeksu.

---

Tyrimų tematikos aprašas.

Per paskutinius keliasdešimt metų fundamentalūs atradimai molekulinės biologijos srityje padarė ją centrine biologijos mokslų disciplina. Iššifravus ištisus organizmų genomus atsivėrė kelias, taip vadinamoms post-genomics eros technologijoms. Jos dažnai remiasi kompiuterine viso genomo analize. Bioinformatikoje naudojamos netgi trumpos sekos, paprasčiausios gyvybės formos – viruso – genomas gali būti labai didelės ir viršyti 3,5xE5 nukleotidų. Bakterijų genomai turi nuo 0,5xE6 iki 10xE6 nukleotidų. Žmogaus genomas yra apie 3,12xE7 ilgio. Atvaizduoti tokios apimties duomenis - didelė problema. Trumpos sekos dažnai lyginamos tarpusavyje, tačiau kai jų daug, rezultatus sunku aprėpti. Muzikos kūrinius taip pat sudaro tam tikrų informacijos vienetų – natų – sekos. Jų ilgiai lyginant su nukleotidų sekų ilgiais yra daug trumpesni: vienas ilgiausių klasikinės muzikos kūrinių – Ludwig van Beethoven Symphony No. 9 in D minor – trunka beveik 70 min. ir yra apie 3,8xE4 natų ilgio. Žinomi ir ilgesni kūriniai: Frederic Rzewski The Road tikriausiai ilgiausias solo pianinui trunkantis 10 valandų, ar Jacob Mashak Beatus Vir 11 valandų kūrinys dviems pianinams. Tačiau netgi E3 eilės natų sekas nėra lengva aprėpti ir palyginti didesnę jų aibę. Be to, didesnis skirtingų natų skaičius, lyginant su keturiais nukleotidais, reikalauja ir didesnės matavimų (dimensijos) erdvės analizėje. Nevienoda natų trukmė šį uždavinį padaro dar sudėtingesnį. Šio mokslinio tyrimo tikslas – sukurti žinias apie ilgų sekų autokoreliuotumą grįstą metodais, kurie būtų efektyvūs esant nestacionariems duomenims. Norint pasiekti šį tikslą reikia kompiuterinio modeliavimo būdu ištirti matematinius įvertinius paremtus neparametrine analize.

---

Tyrimų tematikos aprašas.

Kompiuterinė rega, tai tarpdisciplininė sritis, kurioje nagrinėjami kompiuteriniai algoritmai, skirti aukšto lygio sprendimų priėmimui, panaudojant skaitmeninių vaizdų ar vaizdo įrašų duomenis. Šiais sprendimais siekiama automatizuoti užduotis, kurias galėtų atlikti žmogus. Kompiuterinės regos sistemos yra naudojamos daugelyje sričių, įskaitant gamybos, medicinos, eismo stebėjimo, apsaugos sistemas ir kt. Kompiuterinės regos metodai leidžia automatiškai analizuoti svarbią informaciją apdorojant didelius duomenų srautus. Dirbtinio intelekto algoritmai pastaruoju metu yra neatsiejama kompiuterinės regos uždavinių sprendimo dalis. Siūlomoje tematikoje bus siekiama pagerinti esamas bendras metodikas orientuojantis į konkrečius specifinius gamybinius bei realaus pasaulio procesus, siekiant gauti didesnį efektyvumą bei patikimumą, tyrimuose adaptuojant bei tobulinant mašininio mokymosi metodus apimančius Sprendimų medžius, K artimiausių kaimynų, Naïve Bayes, Atraminių vektorių klasifikatorių, Tiesioginio sklidimo neuroninius tinklus bei Konvoliucinius neuroninius tinklus. Čia kompiuterinės regos užduotys apims skaitmeninių vaizdų gavimo, apdorojimo, analizės ir interpretavimo metodus; daugiadimensinių realaus pasaulio duomenų gavybą, siekiant gauti skaitmeninę arba simbolinę informaciją, pavyzdžiui, priimamų sprendimų formoje. Duomenų interpretavimas šiame kontekste reiškia skaitmeninių vaizdų pavertimą aprašais, kurie gali būti susieti su kitais veiksmų procesais ir pasiūlyti tolimesni tinkami sprendimai. Daugiau informacijos teirautis tematikos vadovo.

---

Tyrimų tematikos aprašas.

Pastaruoju metu grafų teorijos metodai sulaukia didelio susidomėjimo finansų ir ekonomikos srityse. Priežastis yra ta, kad finansiniai subjektai ir rinkos yra stipriai susiję globalizuotame pasaulyje, ir grafų teorija kaip pagrindas gali būti taikytina šio sudėtingo finansinio tinklo struktūros aprašymui ir modeliavimui. Tokiu būdu sudarytas modelis gali būti naudojamas tirti tokias finansinio tinklo charakteristikas, kaip rinkos stabilumas, užkrato plitimas tinkle, rizikos nutekėjimas, pasidalinimas tarp tinklo subjektų, šoko sklidimas tinkle, ir pan. Šių atskirų klausimų sprendimas priklauso nuo tinklo topologijos ir galimos jo evoliucijos laike. Todėl šio darbo tikslas yra plėtoti metodus skirtus finansinio tinklo ir jo topologijos modeliavimui, orientuojantis į finansinės rizikos vertinimą priklausomai nuo tinklo charakteristikų. Jau paskelbtų darbų kontekste, šio tyrimo metu bus siekiama apibendrinti rizikos vertinimą tiek visam tinklui, tiek atskiriems subjektams ieškant sąsajų su tinklo topologija, stabilumu ir tikėtina evoliucija ateityje.

---

Tyrimų tematikos aprašas.

Dirbtinis intelektas yra viena XXI a pradžios karštųjų temų fiziniuose ir technologiniuose moksluose. Didelio masto investuotojai tokie kaip pensijų fondai, bankai ir investicinės bendrovės dirbtinio intelekto principus naudoja jau kurį laiką, tačiau dažniausiai jų naudojami metodai apsiriboja mašininiu mokymu ar dirbtiniais neuroniniais tinklais. Gauti sprendimai būna sunkiai paaiškinami ir interpretuojami, o blogiausia yra tai, kad dažnai neįmanoma patikrinti ar gautas sprendinys yra būtent tas kurio mes ieškome ir ar jis optimalus. Kadangi investiciniai sprendimai dažniausiai priklauso nuo daugelio faktorių, tokių kaip tikėtinas pelningumas, rizika, etika, investuotojo rizikos profilio ir asmeninių savybių ir pan., tai kuriant autonominę sistemą ar robo-patarėją būtina atsižvelgti į juos visus. Neretai tokius uždavinius išspręsti pavyksta gana nesudėtingai įprastais metodais, tačiau didėjant informacijos kiekiams ir kriterijų skaičiui uždavinio sudėtingumas gali pasidaryti nepakeliamas net ir superkompiuteriams. Todėl būtina kurti naujus dirbtiniu intelektu pagrįstus metodus, kurie būtų suprantami ir paaiškinami, o jų rezultatus būtų galima validuoti. Todėl pagrindinis tikslas yra: sukurti tokius dirbtinio intelektu grįstus metodus kurie būtų paaiškinami ir interpretuojami daugeliui investicinių sprendimų priėmėjų.

---

Kita informacija.

Tematika susijusi su projetais: • „A FINancial Supervision and TECHnological Compliance training programme – FIN-TECH“, Nr. H2020-ICT-2018-2, 2019–2021, https://www.fintech-ho2020.eu/ . • „Fintech and Artificial Intelligence in Finance – Towards a transparent financial industry“, Cost Action 19130, 2020-2024, https://fin-ai.eu/ • DyMoDiF – dynamic models for digital finance, Czech Science Foundation, 2019–2023

---

Tyrimų tematikos aprašas.

Reikšmingą vietą kompiuterių moksle užima optimizavimo algoritmų dirbtinio intelekto pagrindu kūrimas ir jų tyrimas. Svarbią dalį sudaro euristiniai algoritmai (EA), tokie kaip lokaliosios/tabu paieškos algoritmai, genetiniai/evoliuciniai algoritmai, taip pat jų kombinuoti variantai. Kombinuotų EA veikimo efektyvumas buvo pademonstruotas dar praėjusiame šimtmetyje. Pastaraisiais metais efektyvių EA kūrimas vykdomas, stengiantis ne tik kombinuoti įvairius algoritmus, bet ir tobulinant pačią algoritmų architektūrą. Viena iš perspektyvių krypčių yra hierarchinės struktūros (hierarchinių) euristinių (HE) algoritmų kūrimas. HE algoritmų esmė glūdi tame, jog kuris nors efektyviai veikiantis įprastinis EA panaudojamas ne vieną, o daug kartų. Taip iš pradžių gaunamas iteratyvusis, daugkartinio panaudojimo algoritmas, kuris savo ruožtu vėl gali būti panaudotas daug kartų. Taip galima tęsti ir toliau. Šį daugkartinio panaudojimo procesą ir vadiname hierarchiniu algoritmu. Hierarchinis algoritmų sudarymo būdas siejasi su savi-panašumo idėja, kurios esmė yra ta, jog yra formuojamas objektas (abstrakčiąja prasme), pilnai ar iš dalies sutampantis su savo dalimis (kitaip tariant, visuma turi tą pačią formą, kaip ir visumą sudarančios dalys). Savi-panašumas yra vienas iš fundamentalių gamtos principų, stebimas tiek materijos struktūrose, tiek fiziniuose procesuose; todėl natūralu teigti, kad ir sudarant optimizavimo algoritmus, savi-panašumo principo panaudojimas gali būti tikrai pasiteisinantis ir naudingas. Nors tai ir nėra labai nauja idėja, hierarchinis algoritmų principas vis dar yra preliminarioje tyrimų stadijoje. Reikalingas tolimesnis HE algoritmų kompiuterinis tyrimas. Tai ir sudaro aktualią mokslinę problemą, o pagrindinis tyrimo tikslas yra išanalizuoti HE algoritmų efektyvumą, sprendžiant praktinius ir teorinius uždavinius.

---

Tyrimų tematikos aprašas.

Tyrimo tikslas - sudaryti duomenų mokslu ir dirbtiniu intelektu pagrįstą duomenų sistemų efektyvumo analizės ir klientų segmentavimo metodiką bei išbandyti ir pademonstruoti jos taikymui sudarytas programines priemones. Tyrimo uždaviniai: 1. Išplėtoti duomenų sistemų efektyvumo ir klientų segmentavimo koncepciją ir metodus; 2. Paruošti didžiųjų duomenų tyrybai bei mašininiam mokymuisi skirtas priemones ir modelius; 3. Sukurti duomenų sistemų optimizavimo koncepciją, kuri atsižvelgtų į sistemų vartotojų elgesį; 4. Sujungti duomenų tyrybos ir mašininio mokymosi bei optimizavimo koncepcijas ir pademonstruoti visa tai, kaip vieningą metodiką, įgalinančią duomenų sistemų efektyvumą. Detalesnės informacijos teirautis tematikos mokslinio vadovo.

---

Tyrimų tematikos aprašas.

Šio tyrimo tikslas yra mašininio mokymosi ir informacijos integravimo metodikos sukūrimas bei bandomieji skaičiavimai skirti kaip galima tikslesniam ligų prognozavimui ir sveikatos apsaugai. Uždaviniai: 1. Apžvelgti ir palyginti informacijos integravimo metodų ir algoritmų bei susijusių programinių priemonių ir sveikatos apsaugai skirtų mašininio mokymosi metodų taikymo galimybes. 2. Apibrėžti informacijos integravimo ir išmaniųjų sistemų tikslumo kriterijus bei jų vertinimo procedūras, nagrinėjant sveikatos apsaugoje aktualius duomenis. 3. Išplėtoti ir pademonstruoti tas informacijos integravimo priemones, kurių taikymas padidina tikslumą ir/ar sumažina klaidingų sprendimų riziką. 4. Atlikti sveikatos apsaugai skirtų išmaniųjų sistemų bandomuosius skaičiavimus ir sudaryti šių sistemų efektyvaus taikymo metodiką. Detalesnės informacijos teirautis tematikos mokslinio vadovo.