Akademicky zaměřený

Kombinované studium

4 roky

prof. Ing. Lukáš Sekanina, Ph.D.

Předseda :
prof. Ing. Lukáš Sekanina, Ph.D.
Člen interní :
doc. Ing. Jan Kořenek, Ph.D.
prof. Dr. Ing. Jan Černocký
prof. Ing. Adam Herout, Ph.D.
prof. Ing. Tomáš Hruška, CSc.
doc. Dr. Ing. Petr Hanáček
prof. Dr. Ing. Pavel Zemčík, dr. h. c.
prof. RNDr. Alexandr Meduna, CSc.
prof. Dr. Ing. Zbyněk Raida
prof. RNDr. Josef Šlapal, CSc.
prof. Ing. Pavel Václavek, Ph.D.
prof. Ing. Tomáš Vojnar, Ph.D.
Člen externí :
prof.,RNDr. Jiří Barnat, Ph.D.

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:

• akcelerované síťové technologie,
• automatizovaná analýza, verifikace a syntéza,
• efektivní techniky práce s automaty a logikami a jejich aplikace,
• bezpečnost,
• dolování dat z řečí,
• evolvable hardware,
• formální modely,
• hardware-software codesign,
• informační a databázové systémy,
• inteligentní systémy,
• management v softwarovém inženýrství,
• modelování a optimalizace systémů,
• nekonvenční číslicové obvody,
• počítačová grafika,
• počítačové sítě a vestavěné systémy,
• robotika,
• superpočítačové technologie,
• systémy odolné proti poruchám, diagnostika a testování,
• vysoce náročné výpočty,
• znalostní technologie a
• zpracování obrazu a videa.

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. 

Absolventi FIT obecně a absolventi doktorského studia zejména nemají problém najít uplatnění jako vědečtí, pedagogičtí či řídicí pracovníci jak v ČR tak v zahraničí.

• Absolvent doktorského studia je schopen samostatné vědecké, výzkumné a řídicí práce v oblasti informatiky, výpočetní techniky a informačních technologií. Je připraven řešit náročné koncepční, výzkumné a vývojové problémy. V praxi je schopen samostatně vést výzkum, vývoj a výrobu v oblasti moderních informačních technologií.
• Nachází uplatnění jako tvůrčí pracovník na špičkových vědeckovýzkumných pracovištích, jako vedoucí výzkumných a vývojových týmů a též ve vědecké a pedagogické práci na vysokých školách. Absolventi tohoto programu se mohou také uplatnit při obsazování vyšších funkčních pozic v některých větších institucích a firmách, kde je vyžadována schopnost samostatně tvořivě pracovat, analyzovat složité problémy a navrhovat a realizovat nová, originální řešení.
• Část absolventů typicky pokračuje jako tzv. "postdoc" v akademické kariéře v ČR nebo v zahraničí.

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:

• Složením státní doktorské zkoušky, při níž prokazuje student hluboké znalosti metodologických přístupů, teorií a jejích aplikací v souladu se současným stavem poznání v těch vědních disciplinách, které jsou vymezeny předměty individuálního studijního plánu studenta a tématem jeho disertační práce. Obsahem státní doktorské zkoušky je rovněž hodnocení předpokládaných cílů disertační práce, metod řešení a doposud dosažených vlastních výsledků.
• Absolvováním části studia na zahraniční instituci v délce nejméně jednoho měsíce nebo účast na mezinárodním tvůrčím projektu s výsledky publikovanými nebo prezentovanými v zahraničí nebo jiná forma přímé účasti studenta na mezinárodní spolupráci.
• Doložením splnění požadavků na tvůrčí činnost.
• Obhajobou doktorské disertační práce, která je napsána v angličtině.

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:

• obsahové zaměření samostatné vědecké, výzkumné, vývojové činnosti a vlastní vzdělávací činnosti s ohledem na oborovou specializaci a téma disertační práce,
• studijní předměty, které je student doktorského studia povinen absolvovat, konkrétně celkový počet předmětů a jejich časové zařazení do semestrů,
• přehled tvůrčí činnosti, zejména stáže a pobyty na jiných pracovištích, účast na konferencích, seminářích, letních školách atp.,
• publikační plán,
• pedagogické působení v souladu se směrnicí fakulty Pravidla o organizaci studia na FIT  a
• časové rozvržení studia v kontextu všech výše uvedených bodů.

https://www.fit.vut.cz/fit/info/smernice/sm2018-13.pdf

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.

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.

1. Adaptivní detekce anomálií v síťové komunikaci pomocí strojového učení

   Cílem této disertační práce je vyvinout systém detekce anomálií přizpůsobený pro síťovou komunikaci s využitím pokročilých technik strojového učení. Projekt se zaměří na profilování jednotlivých stanic nebo skupin podobných stanic v rámci sítě pomocí předtrénovaných modelů a jejich adaptaci pomocí technik Active Learning a Few-Shot Learning.

   Cíle

   • Vývoj modelu: Konstruovat a zdokonalovat modely pomocí předem natrénovaných souborů dat o normálním chování v síti a komunikaci škodlivé (malware).
   • Adaptace modelu: Generování podrobných komunikačních profilů pro jednotlivé stanice s cílem kontextualizovat detekci anomálií a zvýšit přesnost i relevanci.
   • Aktivní učení: Implementace strategií učení, které umožňují modelu přizpůsobit se změnám v síťovém provozu bez nutnosti anotace dat.
   • Federativní učení: Umožnit sdílení modelů napříč různými síťovými infrastrukturami bez narušení soukromí (sdílení informací o samotné komunkaci).

   Novost této disertační práce spočívá v komplexním přístupu k detekci anomálií kombinací několika aktuálních technik strojového učení, konkrétně, využití modelů normálního i škodlivého chování k vytvoření diferencovaného porozumění síťovému provozu, využití aktivního učení (Active Learning, Few Shot Learning) k neustálému zdokonalování detekčních modelů na základě nových dat bez nutnosti jejich anotace a možnost sdílení adaptovaných modelů pomocí federativního učení mezi různými cílovými infrastrukturami.

   Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

2. Adresovanie obmedzení veľkých jazykových modelov

   Veľké jazykové modely (LLM) predstavujú silný nástroj uplatniteľný v škále rôznych aplikácií a v súčasnosti sú z viacerých dôvodov aj hlavnou hnacou silou pokroku v oblasti umelej inteligencie (AI) – napr. vďaka tomu, že pomáhajú do systémov AI inkorporovať širokú škálu všeobecných poznatkov o svete, dokážu sa riadiť inštrukciami v prirodzenom jazyku, vďaka schopnosti učiť sa v rámci kontextu vedia realizovať veľa úloh vo few-shot režime, na základe malého počtu príkladov a sú schopné integrovať aj ďalšie modality (napr. obraz a audio).

   Napriek bezprecedentným výsledkom trpia LLM aj obmedzeniami, ktoré v súčasnosti v mnohých doménach bránia ich širšiemu a bezpečnému používaniu. Ide napr. o tendenciu generovať odpovede, ktoré nemajú oporu v tréningovom korpuse ani vo vstupnom kontexte (halucinácie), obmedzenú schopnosť realizovať viackrokové uvažovanie a plánovanie, ale aj ťažkosti spojené s integráciou iných dátových modalít, napr. obmedzenú schopnosť rozpoznávať jemné vizuálne koncepty. LLM majú tiež pri získavaní nových poznatkov a zručností omnoho nižšiu vzorkovú účinnosť než ľudia, čo často predstavuje výzvu – najmä pri jazykoch s nízkym množstvom zdrojov.

   Cieľom výskumu je preskúmať takéto obmedzenia a – po zameraní sa na jedno alebo dve z nich – navrhnúť stratégie na ich zmiernenie. Také stratégie môžu zahŕňať napr.:

   • Rozvíjanie schopnosti uvažovať napr. rozvíjaním paradigmy boostrapping-u uvažovania, úpravou paradigmy učenia, tréningom na menej tradičných úlohách (napr. z reinforcement learning domény) a pod.;
   • Nové, účinnejšie samoopravné mechanizmy či samohodnotiace pipeline-y;
   • Zlepšenie multimodálnych vlastností modelov napr. schopnosti rozpoznávať jemné vizuálne koncepty;
   • Znižovanie miery halucinácií napr. návrhom nových techník tréningu a dolaďovania, návrhom nových typov LLM pipeline-ov a pod.;
   • Mechanizmy na uvažovanie v rámci tréningu, podporujúce schopnosť lepšie si kontextualizovať obsah (napr. porozumenie, že text je myslený ironicky, má nižšiu kvalitu, obsahuje nepravdivé informácie a pod.);
   • Paradigma aktívneho tréningu, kde model počas učenia realizuje uvažovanie a destiláciu, aby vzorkovo efektívnejšie získaval nové poznatky a zručnosti;
   • …

   Aplikačnou doménou môže byť napr. podpora overovania faktov a boja proti dezinformáciám, kde sú mnohé z obmedzení kritické – existuje však aj rad ďalších možností.

   Súvisiace publikácie:

   • Srba, I., Pecher, B., Tomlein, M., Moro, R., Stefancova, E., Simko, J. and Bielikova, M., 2022, July. Monant medical misinformation dataset: Mapping articles to fact-checked claims. In Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 2949-2959). https://dl.acm.org/doi/10.1145/3477495.3531726
   • Pikuliak, M., Srba, I., Moro, R., Hromadka, T., Smolen, T., Melisek, M., Vykopal, I., Simko, J., Podrouzek, J. and Bielikova, M., 2023. Multilingual Previously Fact-Checked Claim Retrieval. https://arxiv.org/abs/2305.07991

   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 v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

   Školitel: Gregor Michal, doc. Ing., Ph.D.

3. Adresovanie obmedzení veľkých jazykových modelov

   Veľké jazykové modely (LLM) predstavujú silný nástroj uplatniteľný v škále rôznych aplikácií a v súčasnosti sú z viacerých dôvodov aj hlavnou hnacou silou pokroku v oblasti umelej inteligencie (AI) – napr. vďaka tomu, že pomáhajú do systémov AI inkorporovať širokú škálu všeobecných poznatkov o svete, dokážu sa riadiť inštrukciami v prirodzenom jazyku, vďaka schopnosti učiť sa v rámci kontextu vedia realizovať veľa úloh vo few-shot režime, na základe malého počtu príkladov a sú schopné integrovať aj ďalšie modality (napr. obraz a audio).

   Napriek bezprecedentným výsledkom trpia LLM aj obmedzeniami, ktoré v súčasnosti v mnohých doménach bránia ich širšiemu a bezpečnému používaniu. Ide napr. o tendenciu generovať odpovede, ktoré nemajú oporu v tréningovom korpuse ani vo vstupnom kontexte (halucinácie), obmedzenú schopnosť realizovať viackrokové uvažovanie a plánovanie, ale aj ťažkosti spojené s integráciou iných dátových modalít, napr. obmedzenú schopnosť rozpoznávať jemné vizuálne koncepty. LLM majú tiež pri získavaní nových poznatkov a zručností omnoho nižšiu vzorkovú účinnosť než ľudia, čo často predstavuje výzvu – najmä pri jazykoch s nízkym množstvom zdrojov.

   Cieľom výskumu je preskúmať takéto obmedzenia a – po zameraní sa na jedno alebo dve z nich – navrhnúť stratégie na ich zmiernenie. Také stratégie môžu zahŕňať napr.:

   • Rozvíjanie schopnosti uvažovať napr. rozvíjaním paradigmy boostrapping-u uvažovania, úpravou paradigmy učenia, tréningom na menej tradičných úlohách (napr. z reinforcement learning domény) a pod.;
   • Nové, účinnejšie samoopravné mechanizmy či samohodnotiace pipeline-y;
   • Zlepšenie multimodálnych vlastností modelov napr. schopnosti rozpoznávať jemné vizuálne koncepty;
   • Znižovanie miery halucinácií napr. návrhom nových techník tréningu a dolaďovania, návrhom nových typov LLM pipeline-ov a pod.;
   • Mechanizmy na uvažovanie v rámci tréningu, podporujúce schopnosť lepšie si kontextualizovať obsah (napr. porozumenie, že text je myslený ironicky, má nižšiu kvalitu, obsahuje nepravdivé informácie a pod.);
   • Paradigma aktívneho tréningu, kde model počas učenia realizuje uvažovanie a destiláciu, aby vzorkovo efektívnejšie získaval nové poznatky a zručnosti;
   • …

   Aplikačnou doménou môže byť napr. podpora overovania faktov a boja proti dezinformáciám, kde sú mnohé z obmedzení kritické – existuje však aj rad ďalších možností.

   Súvisiace publikácie:

   • Srba, I., Pecher, B., Tomlein, M., Moro, R., Stefancova, E., Simko, J. and Bielikova, M., 2022, July. Monant medical misinformation dataset: Mapping articles to fact-checked claims. In Proceedings of the 45th International ACM SIGIR Conference on Research and Development in Information Retrieval (pp. 2949-2959). https://dl.acm.org/doi/10.1145/3477495.3531726
   • Pikuliak, M., Srba, I., Moro, R., Hromadka, T., Smolen, T., Melisek, M., Vykopal, I., Simko, J., Podrouzek, J. and Bielikova, M., 2023. Multilingual Previously Fact-Checked Claim Retrieval. https://arxiv.org/abs/2305.07991

   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 v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

   Školitel: Gregor Michal, doc. Ing., Ph.D.

4. Akcelerace magnetické rezonance pomocí distribuovaného GPU toolboxu k-Wave

   Cílem této disertační práce je tvorba řešiče Maxewllových rovnic pro aplikace v medicínských zobrazovacích technikách (MR). Numerické řešení Maxwellových rovnic bude založeno na technice k-Wave (korigovaná pseudospektrální metoda). Vzhledem k rozsahu řešený domén a akceptovatelnému času výpočtu je jedinou možností využití rozsáhlých superpočítačových systémů.
   
   Výzkum bude zahájen tvorbou prototypu řešiče v jazyce MATLAB. Po ověření funkčnosti algoritmu dojde k jeho převodu na heterogenní masivně paralelní systémy. Zde očekáváme především multi-GPU systémy Karolina v IT4Innovations a LUMI ve Finsku.
   
   Základní výzkumnou otázku je zde dosažení maximální rychlosti při zachování akceptovatelné přesnosti. 

   Školitel: Jaroš Jiří, prof. Ing., Ph.D.

5. Analýza bezpečnosti anonymizačních sítí

   Tématicky se tato disertační práce orientuje na bezpečnost různých systémů, které mají zajistit anonymitu nebo pseudonymitu uživatelů internetu (například sítí typu TOR). Práce by měla obsahovat:

   • Prostudování teorie anonymizačních systémů, jejich vlastností a možností provedení útoků.
   • Odzkoušení základních typů útoků.
   • Navržení nového způsobu ochrany.
   • Experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

   Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

   Školitel: Hanáček Petr, doc. Dr. Ing.

6. Analýza kryptoměnových sítí s využitím strojového učení

   Pseudonymita a absence centrální kontrolní entity u majority kryptoměnových sítí přitahuje pozornost útočníků, kteří chtějí zneužít blockchainové technologie k páchání trestné činnosti. Z tohoto důvodu forenzní analýza krytoměnových sítí nabývá na důležitosti a dostupnost otevřeného výzkumu je klíčovou složkou k zajištění dlouhodobého a udržitelného potírání kybernetické kriminality využívající tato pseudonymní platidla. Stávající výzkum se věnuje převážně deanonymizaci transakcí za pomoci shlukovacích metod, jako např. nejvyužívanější common-spent shluková heuristika [1], která s příchodem coinjoin transakcí se stává obsoletní. Aktuální trend ukazuje, že tradiční metody již nedostačují, nebo nebudou v blízké době dostačovat a do popředí se dostávají metody využívající strojové učení jako např. behaviorální analýza za použití jak tradičních metod strojového učení [2], tak i hlubokých neuronových sítí, převážně grafových [3].

   Úkolem této práce je analýza a následný návrh, doplněný o experimentální ověření, nových metod pro analýzu kryptoměnových sítí s využitím strojového učení. Práce si bude klást za cíl experimentovat s metodami, které mají potenciál praktického využití pro boj s kyberkriminalitou využívající tyto technologie.

   Předpokládané fáze řešení:

   • Rešerše aktuálního stavu poznání metod strojového učení pro analýzu kryptoměnových sítí a jejich blockchainů zaměřenou na kritické zhodnocení jejich praktického využití bezpečnostními sbory v boji proti kyberkriminalitě.
   • Návrh nových metody analýzy kryptoměnový sítí a jejích blockchainů za použití strojového učení
   • Implementace jak nejlepších stávajících, tak i nově navržených metod, a následné srovnání jejich výkonnosti.
   • Zhodnocení dosažených výsledků.

   Reference

   1. MEIKLEJOHN, Sarah, Marjori POMAROLE, Grant JORDAN, Kirill LEVCHENKO, Damon MCCOY, Geoffrey M. VOELKER a Stefan SAVAGE, 2013. A fistful of bitcoins: characterizing payments among men with no names. In: Proceedings of the 2013 conference on Internet measurement conference [online]. New York, NY, USA: Association for Computing Machinery, s. 127–140 [vid. 2025-01-30]. IMC ’13. ISBN 978-1-4503-1953-9.
   2. WEBER, Mark, Giacomo DOMENICONI, Jie CHEN, Daniel Karl I. WEIDELE, Claudio BELLEI, Tom ROBINSON a Charles E. LEISERSON, 2019. Anti-Money Laundering in Bitcoin: Experimenting with Graph Convolutional Networks for Financial Forensics [online]. 31. červenec 2019. B.m.: arXiv. [vid. 2024-12-23]. Dostupné z: doi:10.48550/arXiv.1908.02591
   3. BELLEI, Claudio, Muhua XU, Ross PHILLIPS, Tom ROBINSON, Mark WEBER, Tim KALER, Charles E. LEISERSON, ARVIND a Jie CHEN, 2024. The Shape of Money Laundering: Subgraph Representation Learning on the Blockchain with the Elliptic2 Dataset [online]. 29. červenec 2024. B.m.: arXiv. [vid. 2025-01-12]. Dostupné z: doi:10.48550/arXiv.2404.19109

   Školitel: Ryšavý Ondřej, doc. Ing., Ph.D.

7. Analýza útoků na bezdrátové sítě

   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.

   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.

8. Automatizace analýzy logovacích dat

   Disertační práce je zaměřená na prozkoumání a rozvoj inovativních metod umožňujících automatizaci zpracování a analýzy logovacích dat.Hlavním cílem této práce je zkoumat metody poskytující hlubší vhled do informací, které jsou obsaženy v logovacích datech reportovaných z aplikací, operačních systémů a infrastrukturních zařízení. Pro naplnění tohoto cíle bude práce zkoumat pokročilé techniky pro automatickérozpoznávání sémantiky dynamických parametrů logů, významů logů z pohledujejich kategorizace a korelace logů s dalšími datovými zdroji. Výstupy zkoumání podpoří navazující výzkum usilující o rozšíření schopností detekovat podezřelé aktivity v log datech pomocípostupů založených na statistickém modelování či strojovém učení. Uvedená problematika je velmi aktuální a nabízí vhodný prostor pro jak akademickývýzkum, tak praktické aplikace v oblasti kybernetické bezpečnosti včetně spolupráce na výzkumných projektech. Výsledky disertační práce lze aplikovat při podpoře a automatizaci činnostíčlenů Security Operation Centre, Network Operation Centre, CSIRT či CERT týmůči administrátora sítě.
   Při řešení práce se předpokládá úzká spolupráce s výzkumným týmem Liberouter(www.liberouter.org) a získávání zpětné vazby od SOC týmu CESNET a dalších partnerů. V případě zodpovědného přístupu k řešení zadaného tématu může být student zapojen do řešení projektů bezpečnostního výzkumu MV ČR nebo TAČR či EU projektu z výzvy Digital Europe. Školitelem specialistou k tématu disertační práce je dr. Martin Žádník.

   Doporučená literatura

   • L. Yang et al., “Try with Simpler - An Evaluation of Improved Principal Component Analysis in Log-based Anomaly Detection,” ACM Trans. Softw. Eng. Methodol., vol. 33, no. 5, p. 115:1-115:27, Jun. 2024, doi: 10.1145/3644386.
   • V.-H. Le and H. Zhang, “Log-based Anomaly Detection Without Log Parsing,” in 2021 36th IEEE/ACM International Conference on Automated Software Engineering (ASE), Nov. 2021, pp. 492–504. doi: 10.1109/ASE51524.2021.9678773.
   • X. Zhang et al., “Robust log-based anomaly detection on unstable log data,” in Proceedings of the 2019 27th ACM Joint Meeting on European Software Engineering Conference and Symposium on the Foundations of Software Engineering, in ESEC/FSE 2019. New York, NY, USA: Association for Computing Machinery, Aug. 2019, pp. 807–817. doi: 10.1145/3338906.3338931.
   • P. He, J. Zhu, Z. Zheng, and M. R. Lyu, “Drain: An Online Log Parsing Approach with Fixed Depth Tree,” in 2017 IEEE International Conference on Web Services (ICWS), Jun. 2017, pp. 33–40. doi: 10.1109/ICWS.2017.13.
   • A. Madani, S. Rezayi and H. Gharaee, "Log management comprehensive architecture in Security Operation Center (SOC)," 2011 International Conference on Computational Aspects of Social Networks (CASoN), Salamanca, Spain, 2011, pp. 284-289, doi: 10.1109/CASON.2011.6085959.

   Školitel: Kořenek Jan, doc. Ing., Ph.D.

9. Bezpečnost a použitelnost autentizačních metod ve Web2 a Web3

   Cílem této práce je prozkoumat prostředí autentizačních metod, zkoumat jejich bezpečnost, použitelnost a vhodnost jak pro tradiční web2, tak pro nově vznikající ekosystém web3, zejména kryptopeněženky.

   Metody Web2: Práce kriticky analyzuje bezpečnostní slabiny a omezení použitelnosti tradičních metod, jako jsou hesla, jednorázová hesla (OTP) a přihlašování pomocí sociálních sítí. Zabývá se pokroky, které nabízejí přístupové klíče, standardy FIDO (Fast Identity Online) a protokoly jako OAuth a OpenID Connect, a hodnotí jejich silné stránky při zlepšování uživatelského komfortu a snižování bezpečnostních rizik.

   Metody Web3: Výzkum zkoumá jedinečné výzvy a příležitosti, které představuje decentralizovaná povaha webu3. Zkoumá inovativní mechanismy ověřování, jako např:

   • ERC 4337: Analýza jeho potenciálu pro zlepšení uživatelské zkušenosti a řešení omezení současných řešení abstrakce účtů.
   • Prahová podpisová schémata: Zkoumání jejich úlohy při zvyšování bezpečnosti a umožnění bezpečné správy klíčů v decentralizovaných prostředích.
   • Shamirovo sdílení tajemství: Vyhodnocení jeho použitelnosti pro bezpečnou distribuci a obnovu klíčů v aplikacích web3.
   • Výpočet s více stranami: Zkoumání jeho potenciálu pro autentizační protokoly zachovávající soukromí v decentralizovaných systémech.
   • Peněženky založené na inteligentních smlouvách: Analýza důsledků různých návrhů peněženek založených na chytrých smlouvách z hlediska bezpečnosti a použitelnosti.
   • OTP pro peněženky s chytrými smlouvami: Zkoumání  roveditelnosti a bezpečnosti integrace tradičních mechanismů
   • OTP s peněženkami pro chytré smlouvy. Vícefaktorové funkce pro odvození klíčů: Zkoumání jejich vhodnosti pro zvýšení bezpečnosti a použitelnosti ověřování v prostředí web3.

   Práce by měla provést srovnávací analýzu autentizačních metod web2 a web3 a zdůraznit jejich silné a slabé stránky z hlediska bezpečnosti, použitelnosti, soukromí a decentralizace. Trendovým tématem, které se zaměřuje na použitelnost webových3 peněženek, jsou zejména vestavěné peněženky pro kryptoměny. Práce by měla navrhnout nové přístupy nebo vylepšit ty stávající.

   Školitel: Homoliak Ivan, doc. Ing., Ph.D.

10. Bezpečnost systému v blockchainech a konsensuálních protokolech

    Cílem této práce je teoreticky a prakticky analyzovat vybrané kategorie konsensuálních protokolů z hlediska propustnosti a bezpečnosti. Práce by měla obsahovat vyhodnocení konsensuálních protokolů pomocí simulací umožňujících testovat odezvu protokolů za různých síťových podmínek a sílu poctivého/adverzního konsensu. Měly by být zkoumány nové scénáře útoků -- např. za předpokladu porušení předpokladů protokolu nebo pobídek. Práce by také měla využívat principy teorie her a statistické analýzy. Příklady útoků, které je třeba zkoumat, jsou sobecké útoky na těžbu, útoky specifické pro pool, útoky na dvojí utrácení, útoky na střepy, útoky na poškození posteriorů, odepření služby vedoucímu výboru, útoky na dlouhé vzdálenosti, útoky na nic v sázce, útoky na rozmělnění atd. Toto téma je široké a může být dále rozděleno na více doktorandů.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

11. Bezpečnost systému v blockchainech a konsensuálních protokolech

    Cílem této práce je teoreticky a prakticky analyzovat vybrané kategorie konsensuálních protokolů z hlediska propustnosti a bezpečnosti. Práce by měla obsahovat vyhodnocení konsensuálních protokolů pomocí simulací umožňujících testovat odezvu protokolů za různých síťových podmínek a sílu poctivého/adverzního konsensu. Měly by být zkoumány nové scénáře útoků -- např. za předpokladu porušení předpokladů protokolu nebo pobídek. Práce by také měla využívat principy teorie her a statistické analýzy. Příklady útoků, které je třeba zkoumat, jsou sobecké útoky na těžbu, útoky specifické pro pool, útoky na dvojí utrácení, útoky na střepy, útoky na poškození posteriorů, odepření služby vedoucímu výboru, útoky na dlouhé vzdálenosti, útoky na nic v sázce, útoky na rozmělnění atd. Toto téma je široké a může být dále rozděleno na více doktorandů.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

12. Decentralizované finance a systémová bezpečnost

    Cílem této práce je nejprve prozkoumat současný stav decentralizovaných financí s důrazem na systémovou bezpečnost a ochranu soukromí systému. Příklady uvažovaných aplikací by zahrnovaly strážní věže a různé swapy likvidity, decentralizované sady a burzy, úvěrové platformy, balancéry atd. V práci budou navrženy nové přístupy k decentralizovaným financím a empiricky vyhodnoceny výsledky. Důraz bude kladen na analýzu bezpečnosti a soukromí navrhovaných přístupů.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

13. Detekce Alzheimerovy choroby (AD) před nástupem vyšetřování dynamiky mozku

    Výzkumný problém: Mezi všemi typy demence je Alzheimerova choroba (AD) nejběžnější formou, přičemž 70 % lidí postižených demencí má AD. Vzhledem k tomu, že prevalence AD se zvyšuje s věkem, očekává se, že počet lidí žijících s AD v příštích desetiletích poroste v důsledku lepší kvality života, která má za následek zvýšení věku v mnoha zemích. To vše vedlo ke zvýšenému zaměření na zajištění pre-start detekce AD a odpovídající intervenci, což může vést ke zpomalení progrese onemocnění poskytnutím adekvátní diagnostiky.

    Problémy se současnými řešeními: K preklinické AD dochází 10 až 15 let před vypuknutím nemoci, což má za následek změny v mozku, aniž by se projevily nějaké skutečné příznaky nemoci, jako je ztráta paměti atd. Pre-onset znamená detekci AD v preklinickém stádiu nebo před ním. Stávající nejmodernější metody se zaměřují především na detekci pozdějších stádií AD a detekce preklinické AD je stále otevřeným výzkumným problémem. Tento výzkum se proto zaměřuje na detekci AD před propuknutím (tj. včasnou detekci preklinické AD), protože to bude mít obrovský dopad na životy lidí. To může vést k včasnému zásahu a může vést k dalšímu zpomalení progrese onemocnění.

    Výzvy: Ve fázi preklinické AD nejsou související příznaky a symptomy jasné, a proto lidé v této fázi nevyhledávají žádnou pomoc. Proto by metoda pro detekci AD před nástupem měla být součástí pravidelného procesu zdravotního screeningu, a proto by měla být dostupná v malých klinických zařízeních.

    Téma práce: Způsob detekce preklinické AD bude zahrnovat zkoumání základních mozkových mechanismů pro sledování a sledování změn souvisejících s pre-propuknutím detekce AD. Zobrazování magnetickou rezonancí (MRI) bude použito jako reference pro zkoumání dynamiky mozku, ale v praxi jej nelze použít kvůli jeho vysoké ceně a specializovanému prostředí, které omezuje jeho použití ve fázi screeningu. V tomto výzkumu bude použit elektroencefalogram (EEG), který je široce dostupný, má nízkou cenu, má dobré časové rozlišení a má vysokou mobilitu. Proto si tento projekt klade za cíl prozkoumat změny v základních mozkových mechanismech pomocí EEG k vývoji neuromarkeru založeného na EEG pro detekci AD před propuknutím. Neuromarker bude zahrnovat extrakci funkcí a odpovídající vývoj modelu strojového učení.

    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

    Školitel: Malik Aamir Saeed, prof., Ph.D.

14. Dopady životního cyklu velkých jazykových modelů na kybernetickou bezpečnost

    V posledních letech došlo ke zvýšení využití neuronových sítí pro generování syntetického obsahu, které jde ruku v ruce s nárůstem nových výzev v oblasti kybernetické bezpečnosti. Generativní modely mohou mít různé vlivy na kybernetickou bezpečnost, od pozitivních až po negativní.
    Významnou oblastí je bezpečnost nasazení a provozu generativních modelů, primárně pak velkých jazykových modelů.
    Cílem této práce je ve vybrané doméně nasazení a provozu LLM identifikovat problémové oblasti (např. útoky na inferenci modelů, krádeže modelů, či krádeže informací) a analyzovat nové trendy, přístupy, obrany a jejich vlastnosti, dopady a potenciální aplikace. Práce by poté měla na základě analýzy a výzkumu stavu bezpečnosti pro vybrané oblasti navrhnout nové metody ochrany.

    Doporučené oblasti zaměření práce:
    Útoky a obrany v oblasti postranních kanálů velkých jazykových modelů
    Útoky a obrany v oblasti inference velkých jazykových modelů
    Obrany v oblasti adverzních (z angl. "adversarial") útoků na velké jazykové modely

    
    Očekává se účast na relevantních mezinárodních konferencích a publikování v odborných či vědeckých časopisech.

    Školitel: Malinka Kamil, Mgr., Ph.D.

15. Efektivní práce s konečnymi automaty v automatickém usuzování

    Budeme vyvíjet techniky pro práci s konečnými automaty s aplikacemi v automatickém usuzování, ve verifikaci a rozhodování logik.
    Obecně, přestože jsou automaty základním a konceptem informatiky s obrovským množstvím aplikací, velmi dobře pochopeným v základní teoretické rovině, techniky jejich použití v praxi a související rozšíření konečných automatů jsou stále velmi bohatým a živým polem výzkumu.
    
    Oblast má silnou praktickou motivaci v oblastech jako verifikace a testování, vyhledávání regulárních vzorů, umělá inteligence a automatické usuzování, rozhodování logik a SMT-solving, návrh a analýza systémů, automatická syntéza systémů.
    Například, nejefektivnější algoritmy pro vyhledávání regulárních vzorů jsou založeny na automatech, ale stále není jasné, jak tyto algoritmy zobecnit na zpětné reference, čítače opakování, nebo takzvané look-arounds. Rozhodování logik o řetězcích, string-solving, má aplikace ve verifikaci programů s řetězci, zejména v analýze bezpečnosti webových aplikací (náchylnost na útoky typu SQL-injection, cross-site-scripting), analýze uživatelských politik přítupu ke cloudovým zdrojům, verifikaci kritického avionického software. Otevřeným problémem je efektivní implementace automatových rozhodovacích procedur pro celočíselnou aritmetiku a další logiky. Regulární model-checking je automatová metoda použitelná pro verifikaci široké škály systémů s nekonečným stavovým prostorem, jako jsou programy s dynamickými datovými strukturami nebo komunikační protokoly. Automatovými technikami je možno automaticky syntetizovat programy, například komunikační rozhraní a drivery.
    
    V těchto a dalších oblastech existuje řada hlubokých teoretických otázek o rozhodnutelnosti a složitosti problémů.
    Například, jak modelovat zpětné-reference pomocí konečných automatů? Co vše je rozhodnutelné o programech manipulujících řetězce, jako jsou webové aplikace, nebo o programech s dynamickými datovými strukturami? Za jakou cenu?
    
    Praktické otázky se týkají efektivní implementace existujících automatových algoritmů a teoretických poznatků.
    Jak zabránit stavové explozi při komplexních manipulacích automatů? Jak je kompaktně reprezentovat, pomocí technik minimalizace, syntaktických rozšíření, abstrakce, aproximace?
    Jak efektivně pracovat s kompaktními reprezentacemi automatů, jako jsou alternující automaty, symbolické automaty, automaty s čítači a registry? Jaké jsou teoretické vlastnosti těchto rozšíření? Jak vyvíjené techniky efektivně implementovat, aby opravdu fungovaly na konkrétních praktických problémech?
    
    Tímto a souvisejícím výzkumem se kromě L. Holíka zabývá část skupiny VeriFIT, prof. Vojnar, dr. Lengál, doc. Rogalewicz, doc. Češka. Skupina dosahuje špičkové mezinárodní úrovně, se stovkami publikací na nejprestižňějších fórech, desítkami softwarových nástrojů, řadou meznárodních ocenění, a intenzivní mezinárodní spoluprací s prestižními výzkumnými institucemi (Microsofr research, Redmond; Academia Sinica, Taipei, Uppsala Univerisy, Univerity of Braunschweig, University of Edinburgh, Univeristy of Kaserslautern, University of Paris, Univerité Grenoble Alpes, Chinese Academy of Sciences).
    Spolupracujeme s průmyslem (Red Hat, Honeywell). Naši absolventi doktorského studia tak mají příležitosti získat zajímavé a specializované pozice v průmyslu nebo smysluplně pokračovat v akademické sféře.
    Skupina je úspěšná v získávání grantů, doktorští studenti tak mohou být nadstandardně finančně ohodnoceni.
    
    
    
    
    
    

    Školitel: Holík Lukáš, doc. Mgr., Ph.D.

16. Embedded systémy pro zpracování videa/signálu

    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:

    • klasifikace obrazu nebo objektů s využitím strojového učení (AI) klasicky nebo prostřednictvím hlubokých konvolučních neuronových sítí nebo podobných přístupů (například pro kontrolu kvality výrobků apod.),
    • současná analýza jednorozměrného signálu (signálů) a obrazu (například pro robustní zjištění nějakého objektu například v dopravních nebo průmyslových aplikacích),
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" (se zaměřením na aspekty client/server a/nebo cloud) vhodné například pro mobilní techniku a/nebo embedded systémy,
    • po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale v principu sem patří.

    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.

17. Embedded systémy pro zpracování videa/signálu

    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:

    • klasifikace obrazu nebo objektů s využitím strojového učení (AI) klasicky nebo prostřednictvím hlubokých konvolučních neuronových sítí nebo podobných přístupů (například pro kontrolu kvality výrobků apod.),
    • současná analýza jednorozměrného signálu (signálů) a obrazu (například pro robustní zjištění nějakého objektu například v dopravních nebo průmyslových aplikacích),
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" (se zaměřením na aspekty client/server a/nebo cloud) vhodné například pro mobilní techniku a/nebo embedded systémy,
    • po dohodě je možné zpracovávat i individuálně vybrané téma, které ve výše uvedeném seznamu není, ale v principu sem patří.

    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.

18. Generativní AI a metody zpracování obrazu pomocí neuronových sítí

    Tématem disertační práce jsou pokročilé metody zpracování a editace obrazu a generativní metody umělé inteligence pro syntézu obrazu. Cílem práce je výzkum nových metod s využitím strojového učení, zejména hlubokých neuronových sítí.

    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

    Školitel: Čadík Martin, doc. Ing., Ph.D.

19. Hodnocení psychického stresu, úzkosti a deprese z analýzy mozkových signálů

    Prohlášení o problému: Duševní stres, úzkost a deprese jsou stavy duševního zdraví, které se často vyskytují společně. V takovém případě je člověk ve stresu a není schopen obavy ovládat, a to odpovídajícím způsobem ovlivňuje jeho sociální a pracovní aktivity. Proto je nutné řádné posouzení a diagnostika duševního stresu, úzkosti a deprese, aby se člověk mohl efektivně podílet na svých běžných denních úkolech a činnostech.

    Problémy se současnými řešeními: Bohužel konvenční hodnotící a diagnostická opatření jsou subjektivní povahy a používají se pouze tehdy, jsou-li symptomy již zjevné v důsledku pokročilého stádia duševního stresu, úzkosti a deprese. Psychický stres, úzkost a deprese však nevznikají přes noc, spíše jde o dlouhodobý proces. Detekce příznaků je tedy vyžadována v raných fázích duševního stresu, úzkosti a deprese, protože to může vést k vyléčení nebo alespoň oddálit nástup vážných duševních problémů s nimi spojených.

    Výzvy: Na rozdíl od jiných nemocí, kde příznaky jako horečka a kašel umožňují lidem vyhledat pomoc, příznaky v raných fázích duševního stresu a úzkosti nejsou snadno identifikovatelné. Proto je třeba, aby byl mozek neustále sledován, zda se u něj neobjevují žádné známky změny nebo zhoršení, aby se příznaky odhalily v raném stádiu.

    Řešení: Řešení spočívá ve vývoji objektivní a kvantitativní metody, která dokáže odhalit duševní stres, úzkost a depresi v raném stadiu. Vnímání duševního stresu, úzkosti a deprese má původ v mozku; proto tento výzkum zkoumá neurofyziologické rysy extrahované ze signálu mozkového elektroencefalogramu (EEG) k měření duševního stresu, úzkosti a deprese v raném stádiu. To bude vyžadovat vývoj metody pro extrakci prvků a také přístup k rozpoznávání vzorů, aby bylo možné poskytnout řešení. Pro tento projekt je již k dispozici datový soubor EEG.

    Pár slov o supervizi: Mám rozsáhlé zkušenosti s prací v oblasti zpracování neuro-signálů a neuroobrazu a v současné době jsem vedoucím výzkumné skupiny v této oblasti. Jedná se o multidisciplinární projekt a bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT z hlediska vývoje nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

20. Interoperabilita blockchainů

    Cílem této práce je nejprve prozkoumat současný stav interoperability různých decentralizovaných blockchainů. Za druhé bude práce hloubkově analyzovat výhody a nevýhody uvažovaných řešení s důrazem na bezpečnost systému. Za třetí práce navrhne nové přístupy k interoperabilitě. Navržené přístupy budou empiricky vyhodnoceny a bude analyzována jejich bezpečnost a ochrana soukromí. 

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

21. Konverzační agenti, propojující strukturovanou znalost a učení z textu

    Konverzační agenti se pomalu stávají běžnou součástí rozhraní pro (prvotní) komunikaci se zákazníkem a odpovídání na jeho otázky. Výzkum v oblasti počítačového zpracování přirozeného jazyka se zaměřuje na vytvoření automatické klasifikace prvotní komunikace a, zejména, otázky uživatele, do předem daných tříd, k nimž existují konkrétní texty. Není však uspokojivě vyřešeno rozšiřování "znalostí" komunikačních agentů při aktualizaci strukturovaných dat, případně při přidání dalších textových materiálů.
    
    Cílem disertační práce je rozvinout existující přístupy využívající obrovské kolekce neanotovaných textových dat a způsoby kombinování strukturované a nestrukturované znalosti a optimalizace procesů při rozšiřování funkcionality stávajících i nových konverzačních agentů. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

22. Kyberbezpečnostní aspekty internetu věcí

    Tématicky se tato disertační práce orientuje na bezpečnost IoT systémů. Práce by měla obsahovat:

    • Prostudování teorie IoT systémů, jejich vlastností a možností provedení útoků.
    • Odzkoušení základních typů útoků.
    • Navržení nového způsobu ochrany.
    • Experimenty, zhodnocení výsledků a návrh směru dalšího výzkumu.

    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.

23. Meranie kvality výstupov veľkých jazykových modelov

    S nástupom veľkých jazykových modelov (LLM) vyvstávajú výskumné otázky ako merať kvalitu a vlastnosti ich výstupov. Tieto merania sú dôležité pre porovnávanie a vylepšovanie modelov či ladenie ich vstupov (prompts). Niektoré techniky vyhodnocovania sa vzťahujú k špecifickým doménam a scenárom použitia (napr. ako presne model odpovedá na faktické otázky v konkrétnej doméne? ako dobre sa dajú generované príklady použiť na trénovanie malého modelu na konkrétnu úlohu?). Iné techniky sú všeobecnejšie (napr. aká je rozmanitosť parafráz generovaných LLM? ako jednoduché je detegovať, že je obsah generovaný?).

    Prostredníctvom replikačných štúdií, porovnávacích experimentov, návrhov metrík, konštrukcie vstupov a iných prístupov, doktorand/ka posunie poznanie v metódach a experimentálnych metodológiách vyhodnocovania výstupov veľkých jazykových modelov. Za pozornosť pritom stoja dva všeobecné scenáre:

    1. Generovanie a/alebo augmentácia datasetov, kedy sa LLM podnecujú relatívne malými vzorkami príkladov, aby vytvorili oveľa rozsiahlejšie súbory. Tento prístup je užitočný najmä v doménach a úlohách s malým množstvom dostupných originálnych (označkovaných) trénovacích dát (napr. doména detekcie dezinformácií).
    2. Detekcia generovaného obsahu, kde sa využívajú stylometrické, štatistické, hlboko-učené či hybridné metódy na určovanie, či bol príklad obsahu generovaný alebo modifikovaný strojovo. Schopnosť detekcie generovaného obsahu je kľúčová pre mnoho scenárov z reálneho sveta (napr. detekcia dezinformácií alebo podvodov), ale prispieva aj do výskumných postupov (napr. pri zisťovaní prítomnosti generovaného obsahu v publikovaných datasetoch či vo vzorkách pochádzajúcich z crowdsourcingu).

    Doktorand/ka si vyberie jeden z uvedených scenárov (no nebude ním obmedzený/á) a ďalej ho rozpracuje a primerane zúži na špecifické výskumné otázky, ktoré experimentálne overí.

    Súvisiace publikácie:

    • Cegin, J., Simko, J. and Brusilovsky, P., 2023. ChatGPT to Replace Crowdsourcing of Paraphrases for Intent Classification: Higher Diversity and Comparable Model Robustness. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2305.12947.pdf
    • Macko, D., Moro, R., Uchendu, A., Lucas, J.S., Yamashita, M., Pikuliak, M., Srba, I., Le, T., Lee, D., Simko, J. and Bielikova, M., 2023. MULTITuDE: Large-Scale Multilingual Machine-Generated Text Detection Benchmark. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2310.13606.pdf

    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: Šimko Jakub, doc. Ing., PhD.

24. Meranie kvality výstupov veľkých jazykových modelov

    S nástupom veľkých jazykových modelov (LLM) vyvstávajú výskumné otázky ako merať kvalitu a vlastnosti ich výstupov. Tieto merania sú dôležité pre porovnávanie a vylepšovanie modelov či ladenie ich vstupov (prompts). Niektoré techniky vyhodnocovania sa vzťahujú k špecifickým doménam a scenárom použitia (napr. ako presne model odpovedá na faktické otázky v konkrétnej doméne? ako dobre sa dajú generované príklady použiť na trénovanie malého modelu na konkrétnu úlohu?). Iné techniky sú všeobecnejšie (napr. aká je rozmanitosť parafráz generovaných LLM? ako jednoduché je detegovať, že je obsah generovaný?).

    Prostredníctvom replikačných štúdií, porovnávacích experimentov, návrhov metrík, konštrukcie vstupov a iných prístupov, doktorand/ka posunie poznanie v metódach a experimentálnych metodológiách vyhodnocovania výstupov veľkých jazykových modelov. Za pozornosť pritom stoja dva všeobecné scenáre:

    1. Generovanie a/alebo augmentácia datasetov, kedy sa LLM podnecujú relatívne malými vzorkami príkladov, aby vytvorili oveľa rozsiahlejšie súbory. Tento prístup je užitočný najmä v doménach a úlohách s malým množstvom dostupných originálnych (označkovaných) trénovacích dát (napr. doména detekcie dezinformácií).
    2. Detekcia generovaného obsahu, kde sa využívajú stylometrické, štatistické, hlboko-učené či hybridné metódy na určovanie, či bol príklad obsahu generovaný alebo modifikovaný strojovo. Schopnosť detekcie generovaného obsahu je kľúčová pre mnoho scenárov z reálneho sveta (napr. detekcia dezinformácií alebo podvodov), ale prispieva aj do výskumných postupov (napr. pri zisťovaní prítomnosti generovaného obsahu v publikovaných datasetoch či vo vzorkách pochádzajúcich z crowdsourcingu).

    Doktorand/ka si vyberie jeden z uvedených scenárov (no nebude ním obmedzený/á) a ďalej ho rozpracuje a primerane zúži na špecifické výskumné otázky, ktoré experimentálne overí.

    Súvisiace publikácie:

    • Cegin, J., Simko, J. and Brusilovsky, P., 2023. ChatGPT to Replace Crowdsourcing of Paraphrases for Intent Classification: Higher Diversity and Comparable Model Robustness. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2305.12947.pdf
    • Macko, D., Moro, R., Uchendu, A., Lucas, J.S., Yamashita, M., Pikuliak, M., Srba, I., Le, T., Lee, D., Simko, J. and Bielikova, M., 2023. MULTITuDE: Large-Scale Multilingual Machine-Generated Text Detection Benchmark. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2310.13606.pdf

    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: Šimko Jakub, doc. Ing., PhD.

25. Modely strojového učení, které uvažují

    V poslední době se stává čím dál patrnější, že k překlenutí propasti mezi současnými nejlepšími modely strojového učení a lidským učením nestačí jen zvyšovat počty parametrů a čekat na výkonnější hardware, který zvládne zpracování bilionů parametrů. Zdá se, že je třeba hledat nové modely, schopné objevovat a uvažovat na úrovni vysokoúrovňových pojmů a vztahů mezi nimi.
    
    
    
    Cílem disertační práce je výzkum nových modelů strojového učení, které překonají potřebu enormního množství příkladů, které jsou potřeba pro naučení chování, zvládnutelného lidmi velmi rychle (například počítač potřebuje sehrát velké množství her ke zvládnutí jednoduché videohry, zatímco člověk to zvládne velmi rychle, lidé ze sady proměnných rychle určí, jaká je příčinná souvislost mezi nimi, dokáží argumentovat sledem úvah atd.), a omezí problém sebejistého chybování (overconfident incorrectness) současných modelů. Budou zkoumány postupy učení, přidávající iterativně nové relevantní informace a také metody, podporující přímé pravděpodobnostní odvozování. Výsledky budou demonstrovány na vybraných problémech, zahrnujících mj. vysvětlování videa či tvorbu inferenčních grafů, operujících nad pojmy a vztahy mezi nimi.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

26. Modely strojového učení, které uvažují

    V poslední době se stává čím dál patrnější, že k překlenutí propasti mezi současnými nejlepšími modely strojového učení a lidským učením nestačí jen zvyšovat počty parametrů a čekat na výkonnější hardware, který zvládne zpracování bilionů parametrů. Zdá se, že je třeba hledat nové modely, schopné objevovat a uvažovat na úrovni vysokoúrovňových pojmů a vztahů mezi nimi.
    
    
    
    Cílem disertační práce je výzkum nových modelů strojového učení, které překonají potřebu enormního množství příkladů, které jsou potřeba pro naučení chování, zvládnutelného lidmi velmi rychle (například počítač potřebuje sehrát velké množství her ke zvládnutí jednoduché videohry, zatímco člověk to zvládne velmi rychle, lidé ze sady proměnných rychle určí, jaká je příčinná souvislost mezi nimi, dokáží argumentovat sledem úvah atd.), a omezí problém sebejistého chybování (overconfident incorrectness) současných modelů. Budou zkoumány postupy učení, přidávající iterativně nové relevantní informace a také metody, podporující přímé pravděpodobnostní odvozování. Výsledky budou demonstrovány na vybraných problémech, zahrnujících mj. vysvětlování videa či tvorbu inferenčních grafů, operujících nad pojmy a vztahy mezi nimi.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

27. Moderní algoritmy počítačové grafiky

    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:

    • zobrazování pomocí vybraných grafických metod (ray tracing, photon mapping, přímé zobrazování "point cloud" apod.),
    • modelování scény a zobrazování s využitím metod umělé inteligence včetně syntézy obrazu s využitím neuronových sítí (zejména CNN),
    • zpracování a zobrazování "lightfield" obrazů, jejich pořizování, případně komprese, rekonstrukce 3D scény z obrazů a/nebo videa, případně fúzí s jinými senzory, jako je například LIDAR nebo i RADAR,
    • moderní algoritmy geometrie vhodné pro aplikaci v oblasti počítačové grafiky, případně i 3D tisku, 
    • nastupující algoritmy syntézy 3D obrazu, holografie, aplikace algoritmů vlnkové, frekvenční a/nebo obdobné transformace.

    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).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

28. Moderní metody počítačového vidění

    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:

    • Použití moderních a slibných přístupů v počítačovém vidění, zejména metody strojového učení a konvolučních neuronových sítí
    • Identifikace zajímavých otevřených problémů
    • Návrh netradičních modifikací existujících přístupů
    • Experimentální vyhodnocení, využití existujících datových sad a pořizování nových

    Školitel: Herout Adam, prof. Ing., Ph.D.

29. Multimodální analýza pro hodnocení duševního zdraví

    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.

    Pár slov o školiteli: Mám rozsáhlé zkušenosti s prací v oblasti zpracování neuro-signálů a neuroobrazu a v současné době jsem vedoucím výzkumné skupiny v této oblasti. Jedná se o multidisciplinární projekt a bude zahrnovat spolupráci s klinickými lékaři. Jádro projektu však souvisí s IT z hlediska vývoje nové metody. Neváhejte mě kontaktovat na malik@fit.vutbr.cz

    Školitel: Malik Aamir Saeed, prof., Ph.D.

30. Netradiční "Visual Computing" algoritmy

    Tématem jsou algoritmy grafiky, zpracování obrazu a videa, tedy "Visual Computing", například HDR (High Dynamic Range) obrazu, multispektrálního obrazu, stereoobrazu, případně obrazu doplněného o vlastnosti materiálu, teplotě, apod. Cílem je lépe porozumět jejich vlastnostem a možnostem, ale i aplikacim, algoritmy do hloubky analyzovat, zlepšovat a připravovat nové. Možné algoritmy zahrnují: 

    • Pořizování HDR obrazu a videa, jeho komprese, skládání z několika standardních obrazů/videí, apod. 
    • pořizování, zpracování a vizualizace multispektrálního obrazu (obrazu s více než třemi spektrálními složkami),
    • zpracování stereosnímků a jiných snímků s hloubkovou informací pořízení ať už s nebo bez strukturálního osvětelní,
    • algoritmy vhodné pro mobilní techniku nebo embedded systémy zaměřené na výše zmíněné druhy obrazu, případně snímání obrazu z dronů,
    • metody vizualizace HDR obrazu a videa, tone-mapping, real-time tone mapping,
    • algoritmy a aplikace využívající vlnkové, frekvenční a/nebo obdobné transformace.

    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 TAČR, MPO, H2020, ECSEL (potenciálně možnost stipendia či pracovního poměru).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

31. Odporúčacie a adaptívne webové systémy

    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 významný 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

    • Dôveryhodné metódy odporúčania pre viac-kritériové aplikácie

    • 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:

    • V. Bogina, T. Kuflik, D. Jannach, M. Bielikova, M. Kompan, C. Trattner. Considering temporal aspects in recommender systems: a survey. User Modeling and User-Adapted Interaction, 1-39, 2022. https://doi.org/10.1007/s11257-022-09335-w
    • I. Srba, R. Moro, M. Tomlein, B. Pecher, J. Simko, E. Stefancova, M. Kompan, A. Hrckova, J. Podrouzek, A. Gavornik, and M. Bielikova. Auditing YouTube’s Recommendation Algorithm for Misinformation Filter Bubbles. ACM Trans. Recomm. Syst. 1, 1, Article 6, March 2023. https://doi.org/10.1145/3568392

    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: Kompan Michal, doc. Ing., PhD.

32. Počítačem podporovaná kreativita

    Cílem disertační práce je výzkum v oblasti tzv. generativní umělé inteligence - ať už se jedná o difusní a adversiální modely pro generování videa, generativní textové modely pro vytváření příběhů, automatické generování počítačového kódu, hudby, reprezentaci znalostí fyziky a chemie a podporu vědecké kreativity, případně kombinace všech těchto přístupů. Práce se zaměří na řešení problémů interakce člověka s generovanými mezivýsledky, přirozeného označování jednotlivých částí a konceptů tak, aby bylo možné na průběžné výsledky navazovat, a na vývoj metod úpravy datových sad a postupů učení, aby bylo možné řešit společenské problémy, spojené s vytvářenými kreativními modely - otázky spravedlivosti modelů, předpojatosti a začlenění konceptů tzv. zodpovědné umělé inteligence.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

33. Pokročilé algoritmy zpracování videa, obrazu, signálu

    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:

    • rozpoznávání obsahu scény, případně dějů ve videosekvencích (například detekce dopravních situací, identifikace filmových scén, rozpoznání druhu akce, apod.),
    • klasifikace obrazu nebo videosekvencí (například pro kontrolu kvality výrobků, vyhledání objektů nebo charakteristik scén, apod.), případně i v kombinaci se sledováním objektů (tracking) ve videu moderními metodami,
    • současná analýza videa a signálu (například pro zjištění souběhu výskytu nějakého objektu ve videu a současně charakteristického průběhu signálu například v "surveillance" aplikacích), fůze obrazu a signálju,
    • moderní algoritmy zpracování videa, obrazu a/nebo signálu  s využitím "klient/server", případně "cloudu" vhodné například pro mobilní techniku a/nebo embedded systémy,
    • algoritmy komprese videa a analýzy prostřednictvím frekvenční či vlnkové a transformace, nebo obdobnými postupy...

    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).

    Školitel: Zemčík Pavel, prof. Dr. Ing., dr. h. c.

34. Pokročilé extrakce a vyhodnocování veřejných dat na webu

    Digitalizace veřejných institucí (např. logických samospráv nebo úřadů) přinesla zásadní změny v prezentaci informací, které jsou nyní stále častěji poskytovány v elektronické podobě (příkladem je portál data.brno.cz). Tento trend reflektuje snahu institucí zvýšit efektivitu, transparentnost a dostupnost informací pro občany. Elektronická prezentace umožňuje veřejným institucím poskytovat informace online prostřednictvím webových stránek, mobilních aplikací nebo elektronických bulletinů. Díky tomu mají občané okamžitý přístup k důležitým dokumentům, zprávám a oznámením. Zároveň umožňuje interaktivní prezentace dat a informací, což podporuje angažovanost veřejnosti a umožňuje občanům účinněji se zapojovat do veřejného života. Digitalizace tak představuje klíčový prvek modernizace veřejné správy a posiluje otevřenost a dostupnost informací ve prospěch občanů a dalších zúčastněných stran.

    Jedním z hlavních problémů prezentace takových dat je nejednotnost formátů a struktury dat na různých webových stránkách různých samospráv. Každá samospráva může používat odlišné platformy a informace mohou být prezentovány různými způsoby, což značně komplikuje automatizovaný proces extrakce. Dalším aspektem je proměnlivost obsahu na webových stránkách samospráv, která může být překážkou pro konzistentní a spolehlivou extrakci dat. Často se stává, že informace, které jsou pro veřejnost relevantní, jsou umístěny na různých částech webových stránek, a tyto lokální změny mohou vyžadovat pružné a dynamické nástroje pro extrakci.

    Za účelem výše zmíněných problémů vznikají iniciativy standardizace otevřených dat ve veřejné správě. Příkladem je Portál otevřených dat ČR (data.gov.cz, opendata.gov.cz), repositář Otevřená data ČR @ MVČR (github.com/opendata-mvcr) nebo portál otevřených dat města Brna (data.brno.cz).

    Cílem této disertační práce je aplikovat přístupy strojového učení na klasifikaci a vyhodnocování otevřených dat v ČR a ve světě. Zejména se bude jednat o:

    • nové přístupy analýzy HTML kódu dokumentu (DOM)
    • aplikace strojového učení pro zpracování text dokumentů (hledání klíčových slov, statistická analýza textu, metody zpracování přirozeného jazyka)
    • nové metody pro vizuální organizaci (rozložení obsahu na stránce, vizuální vlastnosti)
    • algoritmy pro transformaci dat do standardizovaných modelů, případně návrh nových modelů

    Školitel: Burget Radek, doc. Ing., Ph.D.

35. Pokročilé metody simulace IoT systémů

    Internet věcí (IoT) je klíčovou technologií současné digitální éry, která propojuje fyzické a virtuální světy. Chytrá zařízení, jako jsou senzory, domácí spotřebiče, průmyslové stroje nebo autonomní vozidla, umožňují sběr, analýzu a sdílení dat v reálném čase. Díky této propojenosti dochází ke zvýšení efektivity procesů, zlepšení kvality služeb a snížení provozních nákladů. Pro správnou funkci těchto zařízení je nezbytné nejen jejich propojení, ale také efektivní vyhodnocování získaných dat a řízení jejich činností. To zahrnuje schopnost optimalizovat provoz jednotlivých prvků systému, reagovat na změny prostředí a zajišťovat jejich vzájemnou koordinaci. Bez těchto schopností by IoT systémy ztratily svou funkčnost a přidanou hodnotu.

    Automatické řízení chytrých zařízení je nezbytné pro realizaci pokročilých IoT systémů. Především v průmyslu nebo inteligentních domácnostech je kladen důraz na minimalizaci lidského zásahu a maximální autonomii systémů. S tímto trendem úzce souvisí koncept "digital twin" (digitální dvojče), který umožňuje simulaci chování chytrých zařízení a systémů ještě před jejich implementací. Digital twin slouží jako digitální replika fyzického zařízení, která umožňuje testování různých scénářů, optimalizaci výkonu a detekci potenciálních chyb bez nutnosti fyzické intervence. Tato technologie se stává klíčovým nástrojem při vývoji programů pro chytrá zařízení, protože snižuje riziko chyb, urychluje nasazení a přispívá k vyšší spolehlivosti celého systému.

    Přestože technologie digital twin a simulace chytrých zařízení nabízejí obrovský potenciál, stále existuje řada výzev, které je třeba překonat. Výzkum v této oblasti je klíčový pro zajištění dalšího pokroku a umožnění efektivního využití IoT systémů. Mezi možné směry výzkumu patří:

    • Modelování složitých systémů: Jak vytvořit realistické a přesné digitální modely pro komplexní zařízení a jejich interakce.
    • Optimalizace výpočetního výkonu: Jak zajistit, aby simulace probíhaly v reálném čase při omezeném výpočetním výkonu.
    • Bezpečnost simulací: Jak zabránit zneužití dat a modelů při simulaci či řízení zařízení.
    • Integrace s AI: Jak využít umělou inteligenci ke zlepšení prediktivních schopností a adaptace digitálních dvojčat.
    • Standardizace: Jak vytvořit univerzální standardy pro vytváření a implementaci digitálních dvojčat napříč různými odvětvími.

    Řešení těchto výzev může výrazně přispět k dalšímu rozvoji IoT systémů a poskytnout nové možnosti pro jejich uplatnění.

    Školitel: Burget Radek, doc. Ing., Ph.D.

36. Pokročilé metody syntézy obrazu

    Téma 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).
    
    

    • Více informací: http://cadik.posvete.cz/

    Školitel: Čadík Martin, doc. Ing., Ph.D.

37. Pokročilé metody výpočetní fotografie

    Téma se zabývá pokročilými metodami výpočetní fotografie. Cílem práce je výzkum nových metod pro výpočetní fotografii. Mezi oblasti výzkumu patří zpracování HDR obrazu a videa, převod barevného obrazu na černobílý, spektrální obraz, pokročilé generování obrazu pomocí metod umělé inteligence a mnoho dalších.
    
    

    • Bližší informace: http://cadik.posvete.cz/tmo/
    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

    Školitel: Čadík Martin, doc. Ing., Ph.D.

38. Spolupráca človeka a umelej inteligencie na tvorbe dátových vzoriek

    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.

    Prístupy s človekom procese zahŕňajú pestrú paletu techník z oblastí ako aktívne a interaktívne učenie, ľudské počítanie či čerpanie z davu (spolu s motivačnými schémami ako gamifikácia a hry s účelom). S nástupom veľkých jazykových modelov sa tiež otvárajú možnosti využiť tieto techniky pri generovaní veľkých syntetických trénovacích sád s relatívne malým ľudským úsilím.

    Aplikačné domény 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.

    Súvisiace publikácie:

    • Cegin, J., Simko, J. and Brusilovsky, P., 2023. ChatGPT to Replace Crowdsourcing of Paraphrases for Intent Classification: Higher Diversity and Comparable Model Robustness. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing https://arxiv.org/pdf/2305.12947.pdf
    • 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

    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: Šimko Jakub, doc. Ing., PhD.

39. Strojové učenie zohľadňujúce doménovo špecifické vedecké poznatky

    Po desaťročia bolo správanie systémov vo fyzickom svete modelované numerickými modelmi založenými na rozsiahlych vedeckých poznatkoch o základných prírodných zákonoch. Rastúce schopnosti algoritmov strojového učenia však začínajú tieto zaužívané postupy meniť. Pri použití dostatočne veľkých datasetov sú tieto algoritmy schopné objaviť opakujúce sa vzory v dátach.

     

    Modely strojového učenia majú však zvyčajne slabú interpretovateľnosť a potrebujú veľké datasety na trénovanie, čo môže byť v mnohých oblastiach problém. Tieto nevýhody sa snaží odstrániť “strojové učenie zohľadňujúce doménovo špecifické vedecké poznatky” (Scientific Machine Learning - SciML) – rozvíjajúca sa disciplína v rámci komunity dátových vedcov. Ide o snahu zahrnúť vedecké poznatky z danej oblasti do procesu učenia. Cieľom SciML je vyvinúť nové metódy pre škálovateľné, robustné, interpretovateľné a spoľahlivé učenie.

     

    Neurónové siete zohľadňujúce fyzikálne poznatky sú súčasťou SciML učenia, kde do modelu zahŕňame fyzikálne obmedzenia prostredníctvom vhodných účelových funkcií alebo úprav architektúry modelu. Prostredníctvom tohto prístupu môžeme vytvárať modely neurónových sietí, ktoré sú fyzikálne konzistentné, efektívne a dôveryhodné.

     

    Cieľom výskumu je preskúmať, ako začleniť vedecké poznatky do modelov strojového učenia vytváraním hybridných modelov založených na SciML princípoch, ktoré obsahujú komponenty založené na dátach aj na znalostiach z domény. Výskum je možné orientovať aj na kombináciu SciML a transfer learning (ktoré opätovne využíva vopred natrénovaný model na riešenie nového podobného problému) - cieľom takejto kombinácie je využiť výhody oboch prístupov.

     

    SciML je možné aplikovať v mnohých doménach – zameriavame sa najmä na energetiku (napr. podporu širšieho zavedenia obnoviteľných zdrojov) alebo geovedy (s dôrazom na pozitívny vplyv na životné prostredie, zlepšujúci odolnosť voči zmene klímy), ale výsledky výskumu je možné aplikovať v ľubovoľnej inej oblasti.

     

    Súvisiace publikácie:

    • Kloska, M., Rozinajova, V., Grmanova, G. Expert Enhanced Dynamic Time Warping Based Anomaly Detection. Expert Systems with Applications (2023) https://arxiv.org/pdf/2310.02280.pdf
    • Pavlik, P., Rozinajova, V., Bou Ezzeddine, A. Radar-Based Volumetric Precipitation Nowcasting: A 3D Convolutional Neural Network with UNet Architecture. Workshop on Complex Data Challenges in Earth Observation 2022 at CAI-ECAI (2022) https://ceur-ws.org/Vol-3207/paper10.pdf

     

    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.

    Školitel: Rozinajová Věra, Doc., Ph.D.

40. System pro rozpoznávání řeči více mluvčích využívající velké předtrénované modely s diskrétními latentními reprezentacemi

    Tato disertační práce se zaměří na vývoj pokročilých systémů pro automatické rozpoznávání řeči v prostředí s více mluvčími, využívajících velké předtrénované modely a latentní reprezentace. Klíčovou výzvou v těchto systémech je efektivní zpracování překrývající se řeči, což se tradičně řeší pomocí postupů zahrnujících diarizaci mluvčích, separaci zdrojů a rozpoznávání řeči jednotlivých mluvčích. Tato disertační práce bude zkoumat, jak mohou nedávné pokroky v oblasti neurálních audio kodeků a samořízeného učení přispět k integrovanějšímu a efektivnějšímu přístupu. Výzkum bude zahrnovat porozumění stávajícím metodologiím, navrhování nových architektur a hodnocení jejich výkonu na standardních datových sadách, s celkovým cílem zlepšit robustnost a škálovatelnost systémů rozpoznávání řeči pro více mluvčích v reálných scénářích.

    Školitel: Burget Lukáš, doc. Ing., Ph.D.

41. System pro rozpoznávání řeči více mluvčích využívající velké předtrénované modely s diskrétními latentními reprezentacemi

    Tato disertační práce se zaměří na vývoj pokročilých systémů pro automatické rozpoznávání řeči v prostředí s více mluvčími, využívajících velké předtrénované modely a latentní reprezentace. Klíčovou výzvou v těchto systémech je efektivní zpracování překrývající se řeči, což se tradičně řeší pomocí postupů zahrnujících diarizaci mluvčích, separaci zdrojů a rozpoznávání řeči jednotlivých mluvčích. Tato disertační práce bude zkoumat, jak mohou nedávné pokroky v oblasti neurálních audio kodeků a samořízeného učení přispět k integrovanějšímu a efektivnějšímu přístupu. Výzkum bude zahrnovat porozumění stávajícím metodologiím, navrhování nových architektur a hodnocení jejich výkonu na standardních datových sadách, s celkovým cílem zlepšit robustnost a škálovatelnost systémů rozpoznávání řeči pro více mluvčích v reálných scénářích.

    Školitel: Burget Lukáš, doc. Ing., Ph.D.

42. Škálovatelné volby a elektronické hlasování založené na blockchainu

    Jedním z cílů této práce je navrhnout škálovatelný decentralizovaný systém elektronických voleb založený na chytrých smlouvách, s maximálním soukromím voličů, odolností proti chybám a nátlaku. Prvním úkolem je optimalizovat náklady na provoz nákladného ověřování důkazů ZK znalosti u chytrých kontraktů. Druhou výzvou je škálovatelnost s ohledem na počet účastníků a voleb hlasů, která závisí na vhodném typu blockchainu a jeho konsensuálním mechanismu, jako jsou semi-permissionless blockchainy (PoS) a permissioned blockchainy (PoA). Dalším tématem tohoto směru jsou částečné tally-hiding protokoly a jejich aplikace v kontextu veřejných blockchainů. Posledním tématem je oprávněnost účastníků a její veřejná ověřitelnost/záruka.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

43. Úspěšnost detekce hlasových podvrhů lidmi a stroji

    Práce začne seznámením se základy problematiky detekce hlasových podvrhů (voice deepfake detection, DFD), terminologií, dostupnými technikami, daty a evaluacemi (zejména AVSpoof), s historií a SotA v oblasti technik a nástrojů pro rozpoznávání mluvčích (wespeaker toolkit), se SotA v oblasti technik a nástrojů pro personalizovanou syntézu textu na řeč (pTTS) a převod hlasu. Téma se pak zaměří na vyhodnocení výkonu člověka a stroje v DFD, přičemž se soustředí na aspekt motivace lidských subjektů k simulaci skutečných útoků na lidi. Doktorand pak bude postupovat jak v (1) technickém směru (pokrok v technologii generování a detekce deepfake), tak (2) lidském aspektu. Práce počítá se spoluprací s odborníky z oblasti psychologie a sociologie. 

    Školitel: Černocký Jan, prof. Dr. Ing.

44. Vestavěná inteligence počítající s energetickými omezeními

    Cílem disertační práce je výzkum modelů vestavěné inteligence, která explicitně pracuje s energetickou náročností konkrétních operací a optimalizuje svoji činnost na základě konkrétních omezení na straně jednotlivých zařízení, případně celého systému. Součástí bude i realizace vybraných modelů na vhodném typu hardware, který bude možné využít v mezinárodních projektech, na jejichž řešení se vedoucí podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

45. Vizuální geo-lokalizace a rozšířená realita

    Projekt se zabývá geo-lokalizací obrazu a videa 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.
    
    

    • Bližší informace: http://cadik.posvete.cz/locate/
    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (Adobe Research, USA, MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko, INRIA Bordeaux, Francie)

    Školitel: Čadík Martin, doc. Ing., Ph.D.

46. Vizuální kvalita obrazu a videa

    Téma 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).
    
    

    • Bližší informace: http://cadik.posvete.cz/iqm/
    • Kontakt: http://cadik.posvete.cz/
    • Možnost spolupráce a stáže se špičkovými laboratořemi (MPII Saarbrücken, Německo, Disney Research Curych, Švýcarsko)

    Školitel: Čadík Martin, doc. Ing., Ph.D.

47. Výpočetní muzikologie: theory, modely, metody a aplikace

    Zkoumejte výpočetní muzikologií a formálními modely používané v této vědecké oblasti, včetně vhodných gramatik a automatů. Studujte jejich vlastnosti, např sílu či složitost popisu. Zkoumejte jak formalizovat vybrané hudební pojmy prostřednictvím těchto modelů. Navrhněte metody tvorby počítačové hudby na bázi těchto modelů. Aplikujte navržené metody v hudbě, např. pro klasifikaci či tvorbu vybraných hudebních pasáží. Implementujte tyto aplikace . Vyhodnoťte takto vzniklé implementace pomocí vhodné metody, indikátorů a ukazatelů. Porovnejte je s obdobnými existujícími implementacemi. Veškeré poznatky publikujte na špičkové mezinárodní úrovní, např. v prestižních mezinárodních časopisech.

    Školitel: Meduna Alexandr, prof. RNDr., CSc.

48. Vysvětlitelná umělá inteligence

    Použití některých metod strojového učení, například v poslední době populárních hlubokých neuronových sítí, přináší problémy architektury tzv. černé skříňky, která sice může v některých případech správně rozhodovat, ale není možné snadno interpretovat způsob rozhodování, ověřovat, v jakém kontextu jsou závěry ještě věrohodné a nakolik mohou vést drobné změny vstupu ke zcela jiným závěrům.
    
    Cílem disertační práce je rozvinout existující přístupy k měření "dokazatelně správných" modelů umělých neuronových sítí a propojit je s technikami generování konfliktních (adversarial) příkladů, aby bylo možné kontrolovat a revidovat existující řešení, využívaná v praxi. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

49. Vysvětlitelná umělá inteligence

    Použití některých metod strojového učení, například v poslední době populárních hlubokých neuronových sítí, přináší problémy architektury tzv. černé skříňky, která sice může v některých případech správně rozhodovat, ale není možné snadno interpretovat způsob rozhodování, ověřovat, v jakém kontextu jsou závěry ještě věrohodné a nakolik mohou vést drobné změny vstupu ke zcela jiným závěrům.
    
    Cílem disertační práce je rozvinout existující přístupy k měření "dokazatelně správných" modelů umělých neuronových sítí a propojit je s technikami generování konfliktních (adversarial) příkladů, aby bylo možné kontrolovat a revidovat existující řešení, využívaná v praxi. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

50. Vysvětlitelná umělá inteligence

    Použití některých metod strojového učení, například v poslední době populárních hlubokých neuronových sítí, přináší problémy architektury tzv. černé skříňky, která sice může v některých případech správně rozhodovat, ale není možné snadno interpretovat způsob rozhodování, ověřovat, v jakém kontextu jsou závěry ještě věrohodné a nakolik mohou vést drobné změny vstupu ke zcela jiným závěrům.
    
    Cílem disertační práce je rozvinout existující přístupy k měření "dokazatelně správných" modelů umělých neuronových sítí a propojit je s technikami generování konfliktních (adversarial) příkladů, aby bylo možné kontrolovat a revidovat existující řešení, využívaná v praxi. Součástí práce bude i aplikace zkoumaných metod v rámci evropských projektů, na jejichž řešení se školitel podílí.

    Školitel: Smrž Pavel, doc. RNDr., Ph.D.

51. Využití zero-knowledge konstruktů v systémové bezpečnosti a blockchainech

    Táto práce je určena pro zkoumání možných aplikací ZK konstruktů v kontextu systémové bezpěčnosti a taky veřejných blockchainů. ZK konstrukty slouží k veřejnému ověření správnosti určitého výpočtu nebo operace, aniž by byly odhaleny jakékoli soukromé údaje související s výpočtem/operací. Tímto způsobem je možné implementovat například veřejné hlasovací nebo aukční protokoly, které zachovávají soukromí dat veřejně vytvářených distribuovanými účastníky. Nejběžnější konstrukce ZK jsou často instanciovány schématy, která poskytují homomorfní šifrování, jako je ElGammalovo šifrování. Proveditelnost těchto konstrukcí v doméně veřejného blockchainu však může být různá z důvodu možných vysokých nákladů, případně bezpečnostních aspektů. Úkolem této práce je analyzovat a kvantifikovat tyto existující možnosti a navrhnout nové nejsmysluplnější aplikace v systémové bezpečnosti.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

52. Využití zero-knowledge konstruktů v systémové bezpečnosti a blockchainech

    Táto práce je určena pro zkoumání možných aplikací ZK konstruktů v kontextu systémové bezpěčnosti a taky veřejných blockchainů. ZK konstrukty slouží k veřejnému ověření správnosti určitého výpočtu nebo operace, aniž by byly odhaleny jakékoli soukromé údaje související s výpočtem/operací. Tímto způsobem je možné implementovat například veřejné hlasovací nebo aukční protokoly, které zachovávají soukromí dat veřejně vytvářených distribuovanými účastníky. Nejběžnější konstrukce ZK jsou často instanciovány schématy, která poskytují homomorfní šifrování, jako je ElGammalovo šifrování. Proveditelnost těchto konstrukcí v doméně veřejného blockchainu však může být různá z důvodu možných vysokých nákladů, případně bezpečnostních aspektů. Úkolem této práce je analyzovat a kvantifikovat tyto existující možnosti a navrhnout nové nejsmysluplnější aplikace v systémové bezpečnosti.

    Školitel: Homoliak Ivan, doc. Ing., Ph.D.

53. Vývoj neuromarkeru(ů) pro hodnocení závislosti na alkoholu

    Výzkumný problém: Závislost na alkoholu je chronická a komplexní mozková porucha způsobující zničující individuální i sociální problémy. Kromě toho alkohol způsobuje 3,3 milionu úmrtí ročně na celém světě, což je téměř 6 % všech úmrtí. Mnoho z těchto úmrtí je spojeno se závislostí na alkoholu. Proto je důležité prozkoumat metody pro diagnostiku a léčbu závislosti na alkoholu.

    Problémy se současnými řešeními: Obvykle se screening a hodnocení problémů souvisejících s alkoholem zakládá hlavně na zprávách z autotestů. Přesnost zpráv o autotestech však byla zpochybněna, zejména u silných pijáků, protože zprávy z autotestů mohou zkreslovat diagnózu kvůli ztrátě paměti pacienta (pacienti nemohou měřit spotřebu alkoholu) a/nebo nečestnému chování. Proto tento výzkum navrhuje vyvinout objektivní a kvantitativní metodu pro detekci závislosti na alkoholu.

    Výzvy: Vzhledem k tomu, že závislost na alkoholu vede ke změnám v dynamice mozku, je životně důležité prozkoumat a vyvinout metodu založenou na mozkové aktivitě. Hlavní výzva při vývoji takové objektivní a kvantitativní metody však spočívá v její implementaci pro screening v menších klinických zařízeních. To omezuje vyšetřování na elektroencefalogram (EEG), který je levný, vysoce mobilní a má dobré časové rozlišení. Jiné modality, jako je MRI, PET atd., není možné použít v menších klinických zařízeních.

    Téma práce: Se současnými inovacemi v mozkových EEG signálech lze zkoumat mozkové dráhy zapojené do závislosti. V posledních několika desetiletích byl výzkum EEG používán k pochopení komplexních základních procesů spojených s patofyziologií závislosti. Interpretace takových procesů pomocí mozkových sítí pomocí EEG může pomoci nejen při diagnostice závislosti, ale také pomoci při léčbě závislosti. Tento výzkum si klade za cíl vyvinout neuromarkery založené na interpretaci mozkové sítě pomocí EEG. Neuromarker bude zahrnovat extrakci funkcí a odpovídající vývoj modelu strojového učení.

    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

    Školitel: Malik Aamir Saeed, prof., Ph.D.

54. Zlepšovanie spracovania prirodzeného jazyka

    Nedávny rozvoj veľkých jazykových modelov (large language models, LLM) ukazuje potenciál hlbokého učenia a umelých neurónových sietí pre mnoho úloh spracovania prirodzeného jazyka (natural language processing, NLP). Pokroky v ich automatizácii majú významný dopad na množstvo inovatívnych aplikácií ovplyvňujúcich každodenný život.

    Aj keď sú veľké jazykové modely úspešne využívané pri riešení veľkého množstva úloh, stále zostávajú viaceré výskumné výzvy týkajúce sa jednotlivých úloh spracovania prirodzeného jazyka, aplikačných domén a samotných jazykov. K nim pribúdajú ďalšie výzvy vychádzajúce z podstaty veľkých jazykových modelov a netransparentnej povahy modelov založených na neurónových sieťach (tzv. black-box modely).

    Je potrebný ďalší výskum a prieskum súvisiacich javov, špeciálnu pozornosť v poslednej dobe púta problém dôveryhodnosti modelov pre NLP (tzv. trustworthy NLP) alebo nové paradigmy učenia adresujúce problém nízkej dostupnosti zdrojov potrebných pre učenie (tzv. low-resource NLP).

    Zaujímavé výskumné výzvy, na ktoré sa možno v rámci témy zamerať (príkady):

    • Veľké jazykové modely a ich vlastnosti (napr. porozumenie halucinovania)
    • Dôveryhodnosť NLP (napr. mitigácia biasov, vysvetliteľnosť modelov)
    • Adaptovanie veľkých jazykových modelov na konkrétny kontext a úlohu (napr. prostredníctvom PEFT, RAG)
    • Pokročilé techniky učenia (napr. učenie s prenosom, multilingválne učenie)
    • Doménovo-špecifická extrakcia informácií a klasifikácia textu (napr. nové metódy analýzy sentimentu, zlepšovanie kvality konverzácie v konverzačných agentoch)

    Súvisiace publikácie:

    • Pikuliak, M., Hrčková, A., Oreško, Š., Šimko, M. Women Are Beautiful, Men Are Leaders: Gender Stereotypes in Machine Translation and Language Modeling. In Findings of the Association for Computational Linguistics: EMNLP 2024, pages 3060–3083, ACL, 2024
      https://doi.org/10.18653/v1/2024.findings-emnlp.173 
      
    • Pikuliak, M., et al. SlovakBERT: Slovak Masked Language Model. In Findings of the Association for Computational Linguistics: EMNLP 2022, pages 7156–7168, ACL, 2022
      http://dx.doi.org/10.18653/v1/2022.findings-emnlp.530

    Výskum bude doktorand(ka) 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: Šimko Marián, doc. Ing., Ph.D.

55. Zlepšovanie výkonnosti veľkých jazykových modelov na zadaných úlohách

    Veľké jazykové modely sa čoraz častejšie používajú pre široké spektrum úloh, pri ktorých vykazujú dobrú výkonnosť pri použití v podmienkach bez priameho príkladu (zero-shot) alebo s niekoľkými príkladmi (few-shot), a to aj v porovnaní so špecializovanými dotrénovanými modelmi. Platí to predovšetkým pre úlohy, pri ktorých môžu veľké jazykové modely využiť znalosti, ktoré získali počas ich predtrénovania. Avšak pri úlohách, ktoré vyžadujú špecifickejšie doménové znalosti či adaptáciu, veľké jazykové modely aktuálne zaostávajú. Okrem toho trpia rôznymi problémami, ako sú napr. halucinácie (generovanie koherentného výstupu, ktorý je však fakticky nesprávny alebo nezmyselný) alebo generovanie textu obsahujúceho predsudky naučené z dát použitých počas predtrénovania. Boli navrhnuté rôzne prístupy na riešenie týchto problémov, napr. lepšie stratégie tvorby dopytov (vrátane kontextuálneho učenia), generovanie obohatené o vyhľadávanie alebo adaptácia veľkých jazykových modelov pomocou efektívneho dotrénovania.

    Každý z týchto prístupov (alebo ich kombinácia) predstavuje príležitosť pre nové objavy. Ortogonálne k týmto prístupom stoja vlastnosti modelov ako miera ich zhody s ľudskými hodnotami, robustnosť, vysvetliteľnosť alebo interpretovateľnosť, ktoré sú dôležitým faktorom a prínos v tomto smere je vítaný (v rámci uvádzaných techník aj všeobecne v umelej inteligencii).

    Existuje veľa úloh, kde sa metódy adaptácie veľkých jazykových modelov dajú uplatniť. Nachádzajú sa medzi nimi aj veľmi aktuálne oblasti detekcie nepravdivých informácií (dezinformácií), detekcie signálov kredibility obsahu, auditovanie algoritmov sociálnych médií a ich tendencií šíriť dezinformácie, či podpora overovania informácií (fact-checking).

    Súvisiace publikácie:

    • Macko, D., Moro, R., Uchendu, A., Lucas, J.S., Yamashita, M., Pikuliak, M., Srba, I., Le, T., Lee, D., Simko, J. and Bielikova, M., 2023. MULTITuDE: Large-Scale Multilingual Machine-Generated Text Detection Benchmark. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing, pages 9960–9987, Singapore. Association for Computational Linguistics. https://aclanthology.org/2023.emnlp-main.616/
    • Vykopal, I., Pikuliak, M., Srba, I., Moro, R., Macko, D., and Bielikova, M., 2023. 2024. Disinformation Capabilities of Large Language Models. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 14830–14847, Bangkok, Thailand. Association for Computational Linguistics. https://aclanthology.org/2024.acl-long.793/

    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 v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.

    Školitel: Bieliková Mária, prof. Ing., Ph.D.