A HUN-REN SZTAKI kutatói is előadtak az MTA ünnepi rendezvényén
A Magyar Tudományos Akadémia (MTA) 200 éves fennállásának alkalmából ünnepi rendezvénysorozatot szervezett. 2026. január 5-én a HUN-REN SZTAKI kutatói is előadtak az MTA Matematikai Tudományok Osztályának "Mesterséges intelligencia matematikai szemmel" című rendezvényén.
Benczúr András, a HUN-REN SZTAKI Mesterséges Intelligencia Kutatólaboratóriumának vezetője "Trustworthy AI in mobile radio networks: explainability, causality, uncertainty" címmel tartott előadást. Csáji Balázs Csanád, a HUN-REN SZTAKI Mérnöki és Üzleti Intelligencia Kutatólaboratórium tudományos főmunkatársa "Resampled Median-of-Means for Heavy-Tailed Bandits" címmel tartott előadást. A teljes program elérhető itt.
Absztraktok
Csáji Balázs Csanád: Resampled Median-of-Means for Heavy-Tailed Bandits
Stochastic multi-armed bandits (MABs) provide a fundamental framework to study sequential decision making in uncertain environments. The upper confidence bounds (UCB) algorithm is a primary choice to solve these problems as it achieves near-optimal regret rates under various moment assumptions. Up until recently most UCB methods relied on concentration inequalities leading to confidence bounds which depend on moment parameters, such as the variance proxy of subgaussian distributions, that are usually unknown in practice. In this talk we present a new distribution-free, data-driven UCB algorithm for symmetric reward distributions which is completely parameter-free, e.g., it needs no moment information. The key idea is to combine a refined, one-sided version of the recently developed resampled median-of-means (RMM) estimator with UCB. The resulting anytime, parameter-free RMM-UCB algorithm achieves near-optimal regret, even for heavy-tailed reward distributions. Experiments also show that RMM-UCB outperforms most state-of-the-art bandit algorithms on difficult MAB problems, i.e., when the suboptimality gap is small and the reward distributions are heavy-tailed. Joint work with Ambrus Tamás and Szabolcs Szentpéteri.
Ifj. Benczúr András: Trustworthy AI in mobile radio networks: explainability, causality, uncertainty quantification
Az egyre komplexebb, 5G és azon túli rádiós hálózatokban a gépi tanulás szerepe egyre fontosabbá válik, a modellek döntéseinek megértése és megbízhatósága kulcsfontosságúvá lesz. Először azt vizsgálom, hogyan képes a magyarázható modellezés (XAI) – például az additív lokális jellemző-hozzárendelési módszerek, mint a SHAP – feltárni az oksági kapcsolatokat a hálózati konfiguráció és a teljesítménymutatók (KPI-k) között. Új, az oksági függőségekkel jobban összhangban lévő attribúciós technikákat vezetünk be, amelyek javítják az értelmezhetőséget. A rádióhálózati előrejelzés motivációjából kiindulva ezután a regressziós problémákban jelentkező bizonytalanság kvantifikálásának kihívását tárgyaljuk. Egy nem-determinisztikus neurális hálózati regressziós keretrendszert javaslunk, amelyet a Continuous Ranked Probability Score (CRPS) mintaalapú közelítésével optimalizálunk. Ez lehetővé teszi az aleatorikus bizonytalanság eloszlásfüggetlen tanulását, jól kalibrált valószínűségi előrejelzéseket biztosítva. Végül poszthoc, nemparametrikus újrakalibrálási módszereket tárgyalunk, amelyeket a modellkalibrációt vizsgáló új statisztikai tesztek inspiráltak, hogy megbízható döntéshozatalt tegyenek lehetővé összetett, nagy kockázatú hálózati környezetekben.
Címlapfotó: Benczúr András
