A vizsgálataink a valós idejű rendszerek megjelenését, annak kiszolgálási feltételeit, lehetőségeit elemzi. IoT és nagyvállalti megoldásokat hasonlít össze, a mérések, folyamatok vezérlésének megvalósíthatósága kapcsán.

Valós idejű rendszerek nem csak az iparban, az oktatásban is megjelennek. AZ önálló mikró gépek lehetőségei felerősödtek, a webes azonnali (real-time) válaszidejű rendszerek kötelezővé váltak. (E-Lection).  A témában azt vizsgáljuk, hogy , hogy ez a régi új világ milyen oktatást segítő, támogató lehetőséget nyújt.

A csoport 2021-ben egy TÁMOP projekt keretében alakult, aminek keretében valós idejű rendszerek, alkalmazások készítési lehetőségeit vizsgáljuk.

Az idegképalkotó (neuroimaging) adatok elengedhetetlenek az Alzheimer-kór (AD) időben történő és pontos diagnosztizálásához. A korai klinikai beavatkozást megnehezíti a képi adatok nagy dimenzionalitása, amely számítási szempontból összetetté teszi a reprezentációk kezelését. További kihívást jelent a korlátozott számú annotált adatállomány és a személyek közötti jelentős variabilitás. A mély konvolúciós neurális hálózatok, például a VGG, ResNet, DenseNet, MobileNet és más CNN-modellek jó diagnosztikai teljesítményt mutattak, azonban nagyszámú paraméterre épülnek, és alkalmazásuk gyakran magas szintű szakértelmet igényel. Emellett a rendelkezésre álló adatok mennyisége sok esetben korlátozhatja a modellek robusztusságát adatszegény klinikai környezetekben.

E kihívások kezelésére a jelen tanulmány egy hibrid kvantumgépi tanulási (Quantum Machine Learning, QML) architektúrát mutat be az Alzheimer-kór felismerésére és osztályozására. A módszer a klasszikus, CNN-alapú jellemzőkinyerést egy variációs kvantumosztályozóval (Variational Quantum Classifier) kombinálja. A javasolt megközelítésben a betegség szempontjából releváns, tömör jellemzők előre betanított CNN-hálózatok segítségével kerülnek kinyerésre. A strukturális MRI-felvételekből származó adatokat ezt követően kvantumállapotokká alakítják, majd paraméterezett variációs kvantumáramkörök segítségével dolgozzák fel, amelyeket egy hibrid kvantum–klasszikus tanítási folyamat optimalizál.

A javasolt módszert Alzheimer-betegek MRI-felvételeit tartalmazó standard referenciaadatbázisokon értékelték. A hibrid CNN–QML modell átlagos osztályozási pontossága körülbelül 93%, ami közel áll a mély CNN-modellek, például a ResNet és a DenseNet által elért 94%-os eredményhez. Ugyanakkor mintegy 6 százalékponttal felülmúlja a könnyebb modelleket, például a MobileNetet és a sekély CNN-hálózatokat.

Különösen figyelemre méltó, hogy a hibrid QML-modell korlátozott mennyiségű tanítóadat esetén is kedvező teljesítményt nyújt. Bár minden CNN-változat esetében megfigyelhető a pontosság és az AUC mutató romlása, a mély CNN-ek teljesítménycsökkenése elérheti az 5%-ot is. Az eredményeket keresztvalidációval, konfidenciaintervallumokkal, páros szignifikanciatesztekkel és egyéb statisztikai validációs eljárásokkal támasztották alá. A hatásméret-elemzés igazolta, hogy a hibrid modell teljesítménye statisztikailag szignifikáns, és számos esetben klinikailag is jelentős javulást eredményez a könnyűsúlyú CNN-alapvonalakhoz képest.

A módszer a legkorszerűbb mély neurális hálózatokkal összemérhető eredményeket ér el, miközben az osztályozási szakaszban jelentősen kevesebb tanítható paramétert igényel. Az eredmények arra utalnak, hogy a hibrid QML hatékony és adatgazdaságos alternatívát kínál az Alzheimer-kór diagnosztikájában. Összességében a tanulmány gyakorlati megközelítést mutat be a kvantumgépi tanulás klinikai neuroképalkotó rendszerekbe történő integrálására. A hibrid QML-megoldás ígéretes lehetőséget nyújt arra, hogy a hagyományos mélytanulási módszereket kiegészítve támogassa a következő generációs, Alzheimer-kórhoz kapcsolódó döntéstámogató rendszerek fejlesztését.

Az optimalizálási keresőalgoritmusok kulcsszerepet játszanak az összetett, korlátozott mérnöki feladatok és a többrétegű perceptronok (Multi Layer Perceptron, MLP) osztályozási problémáinak megoldásában, amelyek gyakran hatékony és robusztus keresési stratégiákat igényelnek. Ez a tanulmány bemutatja a Kaotikus Zebra Optimalizáló Algoritmust (Chaotic Zebra Optimization Algorithm, CZOA), amely a klasszikus Zebra Optimalizáló Algoritmus (ZOA) továbbfejlesztett változata. A módszer kaotikus leképezéseket alkalmaz a keresés hatékonyságának és a konvergencia sebességének növelése érdekében.

A CZOA különböző változatait (CZOA1, CZOA2, CZOA3 és CZOA4) 23 szabványos tesztfüggvényen értékelték több dimenzióban (10D, 30D, 50D és 100D), a CEC 2022 referencia-tesztkészleten, valamint három korlátozott mérnöki optimálási problémán: a háromrúdos rácsszerkezet (three-bar truss), a nyomástartó edény (pressure vessel) és a többtárcsás tengelykapcsoló (multi-disk clutch) optimalizálásán.

Ezen túlmenően a CZOA hatékonyságát négy MLP-osztályozási adathalmazon is vizsgálták: Balloon, Iris, Breast Cancer és XOR. A szimulációs eredmények azt mutatják, hogy a CZOA1 minden esetben felülmúlja a többi változatot és a klasszikus ZOA-t, mivel a legalacsonyabb célfüggvényértékeket (fitness), kisebb szórásokat és gyorsabb konvergenciát ér el.

Különösen az F1 (10D) tesztfüggvény esetében a CZOA1 a számítási időt 4559,9 másodpercről (ZOA) mindössze 0,1563 másodpercre csökkentette, jelentős gyorsulást elérve. A CEC 2022 tesztfüggvénykészleten a CZOA1 nyújtotta a legjobb teljesítményt 333,86-os átlagos fitness értékkel és 0,69-es szórással, felülmúlva olyan korszerű metaheurisztikus algoritmusokat, mint a GWO, WOA és TLBO.

A mérnöki optimálási feladatok eredményei szintén igazolják a CZOA1 fölényét: a háromrúdos rácsszerkezet problémájában 263,8965, míg a nyomástartó edény optimalizálásában 6849,485 fitness értéket ért el, túlszárnyalva olyan klasszikus módszereket, mint a GWO, DE és PSO.

Az MLP-osztályozási feladatokban a CZOA1 99,00%-os osztályozási pontosságot ért el az emlőrák-diagnosztikai adathalmazon, ami jól mutatja kiváló képességét a nagy dimenziójú keresési terek kezelésében. Az összehasonlító vizsgálatok azt bizonyítják, hogy a kaotikus leképezések jelentősen javítják a feltárás és kihasználás (exploration–exploitation) közötti egyensúlyt, csökkentik a keresési folyamat számítási komplexitását, valamint növelik a megoldások pontosságát.

Az eredmények alapján a CZOA ígéretes optimalizálási technikának tekinthető a valós mérnöki és osztályozási problémák megoldásában.

A háromdimenziós (3D) adatok használatának gyors terjedése számos területen, az orvosi képalkotástól a virtuális valóságig, megköveteli a robusztus biztonsági megoldásokat az adatszivárgás, a jogosulatlan hozzáférés és az érzékeny információk manipulációjának megelőzése érdekében. Mivel a 3D modellek speciális formátumban tárolt lebegőpontos számokból állnak, védelmük megbízható titkosítási technikát igényel az érzékeny adatok biztonságának garantálására a különböző alkalmazási területeken.

Ebben a tanulmányban egy szimmetrikus, 3D modellekhez alkalmazható titkosítási eljárást mutatnak be, amely a kvantum logisztikus leképezésre (quantum logistic map), az Arnold-féle macskatérképre (Arnold cat map), a továbbfejlesztett logisztikus leképezésre (Improved Logistic Map, ILM) és a DNS-alapú kódolásra épül.

Első lépésként az SHA-256 függvényből származtatott hash-értéket a nyílt szöveges adatokkal (plaintext) kombinálják, és ezt szimmetrikus kulcsként használják a kaotikus rendszer kezdeti feltételeinek meghatározására. Ezt követően a továbbfejlesztett logisztikus leképezést (ILM) alkalmazzák annak érdekében, hogy zavart (confusion) hozzanak létre a nyílt szöveg koordinátaértékei között.

A részlegesen titkosított adatokat ezután egész és tört részekre bontják. Az egész számokat tartalmazó mátrix keverésen (scrambling) és diffúzión megy keresztül a kvantum logisztikus leképezés, az Arnold-féle macskatérkép, a DNS-diffúziós algoritmus és a DNS-komplementer szabály teljes keretrendszerének felhasználásával, ami jelentősen növeli a titkosítási folyamat összetettségét. Ezzel párhuzamosan a törtrészeket a kvantum logisztikus leképezés segítségével dolgozzák fel.

Végül az átalakított egész és tört részeket rendszerezett módon egyesítik, így előállítva a végleges titkosított adatállományt.

A javasolt algoritmust különböző 3D modelleken végzett alapos tesztelésnek vetették alá. Az eredmények igazolták a titkosítási eljárás hatékonyságát, mivel az algoritmus: közel 8-as entrópiaértéket ér el, 100%-os NPCR (Number of Pixels Change Rate) értéket biztosít, 33,37%-os UACI (Unified Average Changing Intensity) értéket mutat, közel nulla korrelációt eredményez,erős ellenállást tanúsít a differenciális támadásokkal szemben,megőrzi a számítási hatékonyságot,valamint magas kulcsérzékenységet biztosít.

Továbbá a titkosítási idő lineárisan növekszik a bemeneti 3D modell méretével, ami azt mutatja, hogy a javasolt algoritmus nagy méretű 3D adathalmazok esetén is jól alkalmazható.

Összefoglalva: a szerzők egy több kaotikus rendszerre és DNS-alapú műveletekre épülő, szimmetrikus 3D képtitkosítási módszert javasolnak, amely magas biztonságot, jó számítási teljesítményt és nagy méretű 3D modellek esetén is hatékony működést biztosít.

A mesterséges intelligenciával támogatott toborzási rendszerek számos kihívással szembesülnek a hallgatói elhelyezkedési folyamatok során, különösen az elfogultság, az átláthatóság és a méltányosság területén. A hagyományos, manuális kiválasztási módszerek gyakran lassúak és szubjektívek, ami felveti a nem szándékos diszkrimináció lehetőségét.

Ez a tanulmány egy adatvezérelt toborzási keretrendszert javasol, amely a természetesnyelv-feldolgozást (NLP), a gépi tanulást (ML) és a magyarázható mesterséges intelligenciát (XAI) ötvözi az önéletrajzok szűrésének fejlesztése, az elhelyezkedési eredmények előrejelzése és a méltányosság értékelése érdekében.

A kutatás négy kulcskérdésre összpontosít: 1.Milyen mértékben javítják az NLP-modellek az önéletrajzok szűrésének pontosságát? 2.Mennyire hatékonyak a méltányosság-orientált gépi tanulási módszerek a demográfiai torzítások csökkentésében? 3.Hogyan járul hozzá a magyarázható mesterséges intelligencia (XAI) a döntések átláthatóságának és értelmezhetőségének növeléséhez? 4.Milyen szerepet játszik az aspektusalapú érzelemanalízis (Aspect-Based Sentiment Analysis, ABSA) a toborzók és a hallgatók visszajelzéseiből származó, gyakorlati szempontból hasznos következtetések levonásában?

A tanulmány célja egy igazságosabb, átláthatóbb és hatékonyabb hallgatói kiválasztási és elhelyezési folyamat kialakítása mesterséges intelligencia-alapú technológiák alkalmazásával.