Kutatási tevékenységünk a strukturált, félig-strukturált és szabad szöveges formában rögzített adatokon alapuló gépi tanuló algoritmusok fejlesztésére fókuszál. Célunk olyan új adatalapú gépi tanuló algoritmusok fejlesztése, amelyek hatékonyan képesek kiaknázni és értékes információvá alakítani az exponenciálisan növekvő adatvagyonban rejlő rejtett információkat.
A gépi tanulás területét tekintve egyaránt foglalkozunk a felügyelt, a nem felügyelt és megerősítéses tanulás témakörébe sorolható gépi tanuló módszerek fejlesztésével. Kutatásainkban jelentős szegmenst képvisel a neurális hálózatok és a mélytanuló rendszerek fejlesztési és alkalmazási lehetőségeinek vizsgálata. A kutatási eredmények részben szakterületspecifikus, részben általános érvényű megoldásokat kínálnak a felmerülő kérdések és problémák megoldására.
A kutatólaboratórium tagjai:
Dr. Fogarassyné dr. Vathy Ágnes, habilitált egyetemi docens, laborvezető
Starkné dr. Werner Ágnes, egyetemi docens
Dr. Dulai Tibor, egy. adjunktus
Dr. Ábrahám Gyula, tudományos munkatárs
Gombás Veronika, tudományos segédmunkatárs, PhD hallgató
Nagy Zsuzsanna, PhD hallgató
Kontos János, PhD hallgató
Miseta Tamás, PhD hallgató
Scsibrán Péter, MSc hallgató
Kósa Bendegúz, MSc hallgató
A kutatólaboratórium korábbi tagjai:
Dr. Leitold Dániel,, adjunktus
Dr. Szekér Szabolcs
Fontosabb kutatási eredmények:
· új módszer kidolgozása a neurális hálózatok túltanulásának elkerülésére (Correlation-Driven Stopping Criterion, CDSC)
· neurális hálózat alapú előrejelző és plauzibilitási járműdinamikai modellek kidolgozása (valós mérési adatokon alapulva)
· neurális hálózat alapú prediktív optimalizálási modell kidolgozása tárolóval ellátott erőművek kereskedéséhez
· többszintű folyamatbányászati módszertan kidolgozása az egészségügyi ellátási események elemzéséhez
· gépi tanuló módszer kidolgozása a tüdőrákos betegek kemoterápiás kezelési hatékonyságának osztályozására
· antraciklinnel kezelt betegek szívelégtelenségi szövődményét prediktáló modell kidolgozása és a betegek rizikóstratifikációs modelljének megalkotása
· a kardiotoxicitás prevenciójában használatos gyógyszerek azonosítása gépi tanuló módszerek kidolgozásával
· szövegbányászati módszertan kidolgozása az echokardiográfiai leletek automatikus strukturálásához
Kiemelt publikációk:
T. Miseta, A. Fodor, Á. Vathy-Fogarassy (2024). Surpassing early stopping: A novel correlation-based stopping criterion for neural networks. Neurocomputing, 576, Paper: 127028
J. Kontos, B. Kránicz, Á. Vathy-Fogarassy (2023). Prediction for Future Yaw Rate Values of Vehicles Using Long Short-Term Memory Network. Sensors, 23(12), 5670.
S. Szekér, G. Fogarassy, Á. Vathy-Fogarassy (2023). A general text mining method to extract echocardiography measurement results from echocardiography documents. Artificial Intelligence in Medicine, 143, 102584.
T. Miseta, A. Fodor, Á. Vathy-Fogarassy (2022). Energy trading strategy for storage-based renewable power plants. Energy, 250, 123788.
J. Kontos, B. Kránicz, Á. Vathy-Fogarassy (2022). Neural Network-Based Prediction for Lateral Acceleration of Vehicles. In 2022 IEEE 2nd Conference on Information Technology and Data Science (CITDS) (pp. 153-158). IEEE.
Á. Vathy-Fogarassy, I. Vassányi, I. Kósa (2022). Multi-level process mining methodology for exploring disease-specific care processes. Journal of Biomedical Informatics, 125, 103979.
Z. Nagy, A. Werner-Stark (2020). A Multi-perspective Online Conformance Checking Technique. In: 2020 6th International Conference on Information Management (ICIM), IEEE, 172-176
Á. Vathy-Fogarassy, S. Szekér, B. Szolár, G. Fogarassy (2020). The Efficiency of Different Distance Metrics for Keyword-Based Search in Medical Documents: A Short Case Study. Studies in Health Technology and Informatics 271, pp. 232-239
D. Leitold, Á. Vathy-Fogarassy, J. Abonyi (2020). Network-Based Analysis of Dynamical Systems. Springer Briefs in Computer Science, p.110. Springer International Publishing
G. Fogarassy, Á. Vathy-Fogarassy, I. Kenessey, M. Kásler, T. Forster (2019). Risk prediction model for long-term heart failure incidence after epirubicin chemotherapy for breast cancer – A real-world data-based, nationwide classification analysis. International Journal of Cardiology, vol. 285, 47-52, 6 p.
G. Ábrahám, P. Auer, G. Dósa, T. Dulai, Á. Werner-Stark (2019). A Reinforcement Learning Motivated Algorithm for Process Optimization. Periodica Polytechnica-Civil Engineering, 63:4, 961-970
T. Miseta, Á. Vathy-Fogarassy (2019). The Effect of the Different Data Aggregation Methods and their Detail Levels to the Prediction of Bitcoin's Exchange Rate. In: Levente, Kovács; Carlos, M. Travieso-González (szerk.) Proceedings of IEEE International Work Conference on Bioinspired Intelligence IWOBI 2019, IEEE, pp. 145-152
Z. Nagy, Á. Werner-Stark, T. Dulai (2019). Using Process Mining in Real-Time to Reduce the Number of Faulty Products. In: Kamišalić Latifić, Aida; Podgorelec, Vili; Eder, Johann; Welzer, Tatjana (eds.) Advances in Databases and Information Systems: 23rd European Conference, ADBIS 2019, Springer, 89-104
S. Szekér, G. Fogarassy, K. Machalik, Á. Vathy-Fogarassy (2019). Application of Named Entity Recognition Methods to Extract Information from Echocardiography Reports. Studies in Health Technology and Informatics, vol. 260, 41-48
S. Szekér, Á. Vathy-Fogarassy (2018). The Effect of Latent Binary Variables on the Uncertainty of the Prediction of a Dichotomous Outcome Using Logistic Regression Based Propensity Score Matching. Studies in Health Technology and Informatics, vol. 248, 1-8
K. Tóth, K. Machalik, G. Fogarassy, Á. Vathy-Fogarassy (2017). Applicability of Process Mining in the Exploration of Healthcare Sequences. In: Szakál, Anikó (szerk.) IEEE 30th Jubilee Neumann Colloquium, 151-155
A kutatólaboratórium vezetőjének bemutatása
 |
Fogarassyné Vathy Ágnes a Pannon Egyetem Rendszer- és Számítástudományi tanszékének tanszékvezető egyetemi docense. Egyetemi tanulmányait a Pannon Egyetemen végezte, majd az Eötvös Lóránd Tudományegyetemen szerzett PhD fokozatot 2009-ben Informatika tudományterületen. PhD disszertációját a nem felügyelt tanulás (gráf alapú klaszterező algoritmusok) témaköréből írta. 2023-ban habilitált Informatika tudományterületen. Tudományos érdeklődési körébe tartozik az adatintenzív prediktív analitikai módszerek fejlesztése és kutatása, a hálózatelemzés, a mélytanuló rendszerek és a gépi tanulás egészségügyi alkalmazásai. Mindezidáig 2 monográfia és több mint 100 szakcikk társszerzője, melyek főként a kutatólaboratórium témájához kapcsolódnak. |