Szilvia Lestyán

PhD student

lestyan (at) crysys.hu

office: I.E. 429
tel: +36 1 463 2063

Current courses | Student projects | Publications

Student Project Proposals

CAN mintafelismeres Long-Short Term Memory Neural Networks-szel

A neurális hálózatok (artifical neural networks) mára már az egyik legszélesebb körben alkalmazott gépi tanulási módszernek számít. A már-már klasszikusnak számító arcfelismerés, képfelismerés, orvosi diagnózisok (és még sok egyéb) mellett nap mint nap új alkalmazási területeit ismerhetjük meg. Rengeteg fajtája ismert, ezek közül egyik az LSTM hálózatok (long-short term memory), melyek képesek meghatározott időintervallumon adatokat megjegyezni. Arra lettek tervezve, hogy egy adatsor bizonyos mintáit fel tudják ismerni (pl: kézírás, beszéd). Tegyük fel, hogy képek sorozatából szeretnénk meghatározni, hogy hol készült/ játszódik (rövid video). Egy emlékezet nélküli algoritmus, ha az egyik képen felismer egy amerikai zászlót, akkor megmondja, hogy Amerikában vagyunk, ha a következőn éppen sushit esznek, akkor arra következtet, hogy Japánban és így tovább. Az LSTM hálózatok az ilyen jellegű kaotikus viselkedést hivatottak elkerülni. A feladatban ezeket a neurális hálókat kell alkalmazni autók CAN adatain (ld: en.wikipedia.org/wiki/CAN_bus). A feladat célja, hogy ezekből az adatokbol (mint idősor) meghatározzuk, hogy ki vezette az autót a lehetséges vezetők közül. Teszt és tanítási halmaz a hallgató rendelkezésére áll.

Publications

2016

Privacy Preserving Data Aggregation over Multi-hop Networks

Sz. Lestyán

Infocommunications Journal, pp. 7-15, December 2016, Volume VIII, Number 4, ISSN 2061-2079, 2016.

Bibtex

@article {
   author = {Szilvia Lestyan},
   title = {Privacy Preserving Data Aggregation over Multi-hop Networks},
   journal = {Infocommunications Journal, pp. 7-15, December 2016, Volume VIII, Number 4, ISSN 2061-2079},
   year = {2016}
}

Abstract

2014

Efficient Apriori Based Algorithms for Privacy Preserving Frequent Itemset Mining

Sz. Lestyán, A. Csiszárik, A. Lukács

Cognitive Infocommunications (CogInfoCom), 2014 5th IEEE Conference on Cognitive Infocommunications, 2014.

Bibtex | Abstract

@article {
   author = {Szilvia Lestyan, Adrián Csiszárik, András Lukács},
   title = {Efficient Apriori Based Algorithms for Privacy Preserving Frequent Itemset Mining},
   journal = {Cognitive Infocommunications (CogInfoCom), 2014 5th IEEE Conference on Cognitive Infocommunications},
   year = {2014}
}

Abstract

Frequent Itemset Mining as one of the principal routine of data analysis and a basic tool of large scale information aggregation also bears a serous interest in Privacy Preserving Data Mining. In this paper Apriori based distributed, privacy preserving Frequent Itemset Mining algorithms are considered. Our secure algorithms are designed to fit in the Secure Multiparty Computation model of privacy preserving computation.