Csáji Balázs Csanád keynote előadást tartott a Bernoulli Társaság 25. EYSM konferenciáján

Csáji Balázs Csanád, a HUN-REN SZTAKI Mérnöki és Üzleti Intelligencia Kutatólaboratóriumának (EMI) tudományos főmunkatársa meghívott „keynote” előadóként vett részt a litvániai Vilniusban 2026. július 7. és 10. között megrendezett 25. European Young Statisticians Meeting (EYSM 2026) konferencián. A gépi tanulásban alkalmazott robusztus bizonytalanság-kiértékelésről tartott keynote előadása mellett szakértőként egy kerekasztal-beszélgetésen is részt vett, amely a mesterséges intelligencia tudományra és társadalomra gyakorolt hatásával kapcsolatos kihívásokat járta körül.

A Vilniusi Egyetem Matematikai és Informatikai Kara által a Bernoulli Társaság védnöksége alatt szervezett találkozón Csáji Balázs Csanád a „Robust Uncertainty Quantification: from Resampling and Ranking to Stochastic Bandits” (Robusztus bizonytalanság-kiértékelés: az újra-mintavételezéstől és rangsorolástól a sztochasztikus banditákig) című előadását mutatta be. A prezentáció azt a kérdés vizsgálta, hogy hogyan lehet megbízhatóan kiértékelni a bizonytalanságot úgy, hogy közben minimálisra csökkentjük a felhasznát strukturális és statisztikai feltételezéseket. Ennek szellemében az előadás olyan eloszlásfüggetlen, nem-aszimptotikus konfidencia-tartomány konstrukciókat mutatott be, amelyek újra-mintavételezési és rangsorolási technikákon alapulnak, mint például a „Sign-Perturbed Sums” (SPS) módszer. Kiemelt eredményként ismertette az újra-mintavételezésen alapuló „Resampled Median-of-Means” (RMM) becslést, amely optimális mértékben szűkülő konfidencia-intervallumokat tud építeni még nehézfarkú („heavy-tailed”) szimmetrikus eloszlások esetén is, anélkül, hogy például szükség lenne a momentumok előzetes ismeretére. Sztochasztikus bandita problémákra alkalmazva ez a módszer egy olyan adatvezérelt algoritmust (RMM-UCB) eredményez, amely közel optimális megbánást (regret) garantál, és empirikusan is hatékonyabb, mint a legtöbb „state-of-the-art” bandita algoritmus még a kifejezetten nehéz bandita problémák esetén is (azaz amikor a szub-optimalitási rés kicsi és a jutalomeloszlások nehézfarkúak).

A plenáris előadása mellett Csáji Balázs Csanád részt vett egy nemzetközi szakértői panelbeszélgetésben is, amely a „Challenges of AI for Science and Society” (A mesterséges intelligencia kihívásai a tudomány és a társadalom számára) kérdéskört tárgyalta. A beszélgetés résztvevői megvitatták az AI gyors integrációját a tudományos munkafolyamatokba, az AI az oktatásra és kutatásra gyakorolt hatását; külön kiemelve az AI rendszerek által adott matematikai bizonyítások helyességének és ellenőrizhetőségének kérdését.

A konferencián részt vett még Rácz Dániel, a HUN-REN SZTAKI Mesterséges Intelligencia Kutatólaboratóriumának tudományos segédmunkatársa , aki „From Control to Machine Learning: Generalization bounds for hypothesis classes of stable models” (Az irányításelmélettől a gépi tanulásig: Generalizációs korlátok stabil modellek hipotézisosztályaira) címmel tartott előadást. A prezentáció korábbi publikációk eredményeire építve azt mutatta be, miként használhatók az irányításelmélet központi stabilitásfogalmai a gépi tanulási modellcsaládok általánosítási képességére vonatkozó elméleti felső korlátok meghatározásában.