Adaptive orthogonal transformations in model driven machine learning címmel tartott előadást Dózsa Tamás
Dózsa Tamás, az ELTE oktatója és a SZTAKI kutatója a SZTAKI Nagytanácstermében adott elő 2023. május 4-én, a SZTAKI Rendszer és Irányításelméleti Kutatólaboratóriumának előadássorozatának keretében.
Az előadássorozatban korábban Tóth Roland, a SZTAKI kutatója tartott előadást.
Dózsa Tamás Adaptive orthogonal transformations in model driven machine learning című előadásának absztraktja alább olvasható..
In this presentation we review some use cases of adaptive orthogonal transformations with a special focus on applications in model driven machine learning. Unlike the fully data driven paradigm, in model driven machine learning, we incorporate domain knowledge and physically meaningful learnable parameters into the algorithms. This can be especially useful in fields such as medical signal processing or autonomous vehicle control, where safety concerns necessitate the use of explainable and interpretable models. We discuss in depth some applications, including recent results where the use of adaptive transformations allowed for the construction of interpretable and computationally efficient alternatives to convolutional neural networks. Finally, we discuss current research goals and challenges associated with them.
![](/sites/default/files/styles/max_650x650/public/2023/news/images/344789034_147042105010664_5076669909230649926_n.jpg?itok=DD5hnJZh)