פרויקטי גמר - הנדסת מחשבים - המעבדה לרשתות וחישוב תשפ"ג

601 Cooperative multi-agent learningand control of drones traffic

פיתוח אלגוריתם יעיל ללמידה מרובת סוכנים לניהול תעבורת רחפנים

שם המנחה: לי רביב
אחראי/ת אקדמי/ת: פרופ' אמיר לשם

הרקע לפרויקט:

הפרויקט המוצע יעסוק בלמידה שיתופית מרובת סוכנים ומבוססת חיזוקים לצורך ניהול של תעבורה של רחפנים בסביבה עירונית צפופה בקנה מידה גדול (אלפים ועשרות אליפים לתא שטח מצומצם). לצורך כך הפרויקט המוצע יכלול פיתוח סימולצית זירה של אלפי רחפנים הנעים כל אח עם יעד מוגדר ופיתוח אלגוריתם למידה מרובת סוכנים להתנהגות של כל רחפן בודד בסביבה של אלפי רחפנים אחרים.

התוצרים יהיו סימולצית טיסה של מאות רחפנים בתא שטח ואלגוריתם המשלב למידה מבוססת חיזוקים, חישה ושיתוף מידע בין רחפנים המאפשר לרחפנים לטוס ליעד בנוכחות רחפנים אחרים

מטרת הפרויקט:

  • הגדרת מודל טיסה של רחפן בודד
  • פיתוח סימולצית טיסה של מספר גדול של רחפנים וממשק גרפי
  • פיתוח אלגוריתם למידה מרובה סוכנים

תכולת הפרויקט:

אלגוריתמים, רשתות תקשורת ואינטרנט

קורסי קדם:

רצויה הכרה של למידה מבוססת חיזוקים ו/או תהליכי החלטה מרקובים

מקורות:

  1. Reinforcement learning https://web.stanford.edu/class/psych209/Readings/SuttonBartoIPRLBook2nd…
  2. UAV Swarm Intelligence: Recent Advances and Future Trends https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=9214446

602 Comparing Between different genetic networks using SCC computation

אלגוריתמים סימבוליים להשוואה בין רשתות גנטיות שונות באמצעות חישוב רכיבים קשירים חזקים

שם המנחה: Eitan Tannenbaum
אחראי/ת אקדמי/ת:  פרופ' הלל קוגלר

הרקע לפרויקט:

רשתות גנטיות חישוביות מאפשרות לתאר דינמיקה של רשתות גנטיות בתאים וכך להסביר תצפיות ניסיוניות ולנבא תוצאות של ניסיונות שעדיין לא בוצעו. לעיתים קרובות יש מספר השערות שונות לרשת גנטית.

מטרת הפרויקט:

בפרויקט נשתמש בחישוב של רכיבים קשירים כדי להשוות בין רשתות שונות ולהציע מדידות שיוכלו להבחין בין הרשתות.

תכולת הפרויקט:

במהלך הפרויקט הסטודנטים ילמדו מהם מהן רשתות גנטיות ואיך ניתן להשתמש ברשתות בוליאניות לתאר אותן. כמו כן ילמדו על אלגוריתמים סימבוליים למציאת רכיבים קשירים חזקים ויפתחו קוד יעיל ושיפורים הנדסיים לאפשר לאלגוריתם לפעול עבור גרפים גדולים ועבור אנסמבלים של גרפים והשוואות בין רשתות שונות. נפתח גישות כדי להציע מדידות שיוכלו להבחין בין הרשתות.

קורסי קדם:

  • 83691 Formal Verification and Synthesis (אפשר במקביל לפרויקט)
  • 83670 Biological Computation(אפשר במקביל לפרויקט)

דרישות נוספות:

יכולת תכנות טובה

מקורות:

  1. https://github.com/fsprojects/ReasoningEngine
  2. Roderick Bloem, Harold N. Gabow and Fabio Somenzi. An Algorithm for Strongly Connected Component Analysis in n log n Symbolic Steps. Formal Methods in System Design volume 28, pages 37–56, 2006.
  3. B. Yordanov S-J Dunn, H. Kugler, A. Smith, G. Martello and S. Emmott. A method to identify and analyze biological programs through automated reasoning. Nature Systems Biology and Applications, 2016.
  4. Peter, I.S., Faure, E. and Davidson, E.H., 2012. Predictive computation of genomic logic processing functions in embryonic development. Proceedings of the National Academy of Sciences, 109(41), pp.16434-16442.

603 Probabilistic process mining

כריית תהליכים הסתברותית

שם המנחה: ד"ר איציק כהן
אחראי/ת אקדמי/ת: ד"ר איציק כהן

הרקע לפרויקט:

בשנים האחרונות הסביבה מוצפת בסנסורים שונים כגון מצלמות המספקים מידע על הקורה בה. במקביל מתפתחות טכניקות למידת מכונה ולמידת תהליכים שמטרתן ללמוד על הקורה בסביבה על בסיס המידע המתקבל מסנסורים אלו. טכנולוגיות אלו עדיין מוגבלות בדיוק שלהן וביכולת שלהן לעבד קלט ארוך.

בפרויקט זה ייעשה שימוש בטכניקות למידת תהליכים אשר מניחות שהנתונים מתקבלים מתהליך כדי לבחון שיטות שונות לשיפור דיוק ולעיבוד קלט ארוך יותר של תהליכים.

מטרת הפרויקט:

מטרת הפרויקט ללמוד תהליך בצורה יעילה על בסיס קלט הסתברותי המתקבל מסנסורים כגון מצלמת וידאו.

התוצר הסופי יקבל קלט וידאו ויעשה קלסיפיקציה אוטומטית שלו לסוג התהלך שהתבצע בוידאו.

תכולת הפרויקט:

למידת הנושא וסקר ספרות, השלב העיקרי כולל הפעלת ובחינת אלגוריתמי למידת וכריית נתונים, התנסות עם פונקציות אקטיבציה שונות, מיפוי תוצאות, כתיבת דוח סופי

קורסי קדם:

מידול כריית תהליכים (ניתן בסמסטר ב)

דרישות נוספות:

קורסים בנושא למידת מכונה ,פייתון

מקורות:

  1. http://ceur-ws.org/Vol-2938/paper-PROBLEMS-51.pdf
  2. https://arxiv.org/pdf/2203.07507.pdf

604 Adversarial Attack on Neural-Networks-based models for Object Detection and Segmentation

התקפות על מודלים של למידה עמוקה למשימות של זיהוי

שם המנחה: אברהם רביב
אחראי/ת אקדמי/ת:  פרופ' הלל קוגלר

הרקע לפרויקט:

בעזרת זיהוי שגיאות וחולשות במודלים של למידה עמוקה ניתן להבין את התנהגותן באופן יותר טוב ובכך לשפר את הרובסטיות שלהם

מטרת הפרויקט:

לפתח אלגוריתם המוצא דוגמאות אדברסריאליות במודלים של למידה עמוקה עבור משימות של זיהוי אובייקטים וסגמנטציה. מטרת ההתקפה היא להיות אדפטיבית לתמונה ולכלול כמה שפחות רעש, ועם זאת להטעות את המודל. בשלב הבא המטרה תהיה לחזק את הרובסטיות של המודל בעזרת אותן דוגמאות אדברסריאליות.

תכולת הפרויקט:

  • פיתוח התקפה על מודלים קיימים.
  • אימון מחדש של המודל עם הדוגמאות החדשות מתוך מטרה לשפר את הרובסטיות שלו.

קורסי קדם:

  • formal verification and synthesis.

דרישות נוספות:

  • יכולת תכנות גבוהה

מקורות:

  1. https://github.com/mathcbc/advGAN_pytorch

605 Using Formal Verification Methods for Reinforcement Learning

שימוש בכלים של אימות פורמלי עבור למידה מבוססת חיזוקים

שם המנחה: אברהם רביב
אחראי/ת אקדמי/ת:  פרופ' הלל קוגלר

הרקע לפרויקט:

מודלים של למידה מבוססת חיזוקים נוטים להיות לא יציבים ולעיתים לא מצליחים להתכנס. בעזרת שימוש בכלים של אימות פורמלי ניתן לקבל מידע שיעזור לסוכן ללמוד ולהגיע להתכנסות יציבה.

מטרת הפרויקט:

להצליח להראות תרומה של כלי אימות פורמלי עבור בעיות גדולות של למידה מבוססת חיזוקים.

תכולת הפרויקט:

בנייה ותכנון של בעיות בסקייל גדול שניתן להשתמש עבורן בכלי אימות פורמלי על מנת לייצב את הלמידה ולאפשר לה להתכנס.

קורסי קדם:

  • formal verification and synthesis.

דרישות נוספות:

  • יכולת תכנות גבוהה

מקורות:

  1. https://scholar.google.co.il/scholar_url?

פרויקטים נוספים מומלצים

802 Adaptive cost-sensitive learning approach for resource constraint based multi-class classification problem

גישת למידה רגישה לעלויות אדפטיבית לסיווג מרובה קלאסים מבוסס אילוצים

שם המנחה: גונן זינגר
אחראי/ת אקדמי/ת: דר' גונן זינגר

הרקע לפרויקט:

בעולם האמיתי קיימים מספר גדול של יישומים עבור סיווג מרובה קלאסים תוך הקצאה של משאבים מוגבלים. לדוגמא סיווג אנשים לרמת חומרה של מחלה (כאשר יש יותר מ-2 רמות) תוך הקצאת תרופות ומשאבים רפואיים מוגבלים. השקעה במניות על פי רמת ביצועים, תוך שימוש בתקציב מוגבל. לאחרונה פותחה גישה לסיווג בינארי מבוסס אילוצים עבור אלגוריתמים מבוססי עצי החלטות. הגישה מתאימה עבור בעיות בינאריות בלבד. מטרת הפרויקט להרחיב את הגישה עבור בעיות מרובות קלאסים.

מטרת הפרויקט:

במסגרת הפרויקט הסטודנטים יפתחו מסגרת עבודה להרחבת השיטה הבינארית לסיווג מוגבל במשאבים לבעיות סיווג מרובות קלאסים. כמו כן יפתחו הסטודנטים קוד בפייתון ליישום של השיטה ולבסוף ישוו את ביצועי השיטה על בסיס נתונים מתאים והשוואה לגישות קונבנציונאליות שהאילוץ נלקח בחשבון לאחר תהליך הלמידה.

תכולת הפרויקט:

  1. הפרויקט יפתח אלגוריתם עבור סיווג מרובה קלאסים מותנה באילוצים.
  2. הסטודנט יקודד בפייתון את האלגוריתם והשיטה עבור עצי החלטות.
  3. הסטודנט יישם את השיטה על בסיס נתונים וישווה את הביצועים לשיטות קונבנציונאליות קיימות.

קורסי קדם:

  1. קורס מבוא להסתברות וסטטיסטיקה.
  2. קורס כריית מידע וויזואליזציה של נתונים.

מקורות:

  1.  טיוטת מאמר Adaptive cost-sensitive learning approach for resource constraint based binary classification problem.
  2. Gutierrez, P.A.; Perez-Ortiz, M.; Sanchez-Monedero, J.; Fernandez-Navarro, F.; Hervas-Martinez, C. Ordinal regression methods: Survey and experimental study. IEEE Transactions on Knowledge and Data Engineering 2015, 28(1), 127-146.‏