1)  Promotor: dr hab. Zofia Kostrzycka, prof. ucz.

Temat pracy: Asymptotyczne własności logik rozmytych.

Krótki opis prac: Głównym narzędziem są funkcje generujące, a głównym zagadnieniem jest tzw. Gęstość prawdy w logikach rozmytych. Dwie ważne logiki rozmyte to wielowartościowa logika Łukasiewicza i wielowartościowa logika Dummetta. Jeżeli ograniczymy się do logik skończenie wartościowych, to obie są charakteryzowane przez matryce logiczne. Stosując charakterystykę algebraiczną, badamy asymptotyczną gęstość różnych klas formuł, a następnie dokonujemy porównania między odpowiednimi klasami odpowiednich logik.

2)  Promotor: dr hab. inż. Marek Rydel, prof. ucz.

Temat pracy: Objaśnianie modeli uczenia maszynowego w przestrzeniach częstotliwościowych i symbolicznych dla danych spektralnych. 

Krótki opis prac: Wdrażanie modeli uczenia maszynowego do analizy wysokowymiarowych danych sekwencyjnych wymaga zastosowania zaawansowanych technik wyjaśnialnej sztucznej inteligencji (XAI), aby zapewnić transparentność algorytmiczną i budować zaufanie do systemów. Dotychczasowe badania wykazały, że algorytmy wykorzystujące reprezentacje symboliczne, takie jak MrSQM, potrafią skutecznie generować interpretowalne mapy istotności (saliency maps) poprzez ekstrakcję cech zarówno z domeny sekwencyjnej przy użyciu SAX, jak i z domeny częstotliwościowej z wykorzystaniem SFA. Chociaż to podejście hybrydowe efektywnie uwydatnia wzorce decyzyjne – co potwierdzono w praktycznych zastosowaniach, takich jak fenotypowanie roślin – istotnym otwartym wyzwaniem pozostaje ilościowy pomiar rzeczywistej „wierności” (faithfulness) tych wyjaśnień na styku tak fundamentalnie różnych przestrzeni cech. Proponowany projekt doktorski ma na celu opracowanie nowatorskiej metodologii weryfikacji międzydomenowej (cross-domain), pozwalającej na rygorystyczną ocenę niezawodności i stabilności map istotności generowanych pomiędzy tymi domenami. Badania obejmą nietrywialne zadanie rozszerzenia tych metod wyjaśnialności w celu analizy nietransparentnych, wysoce zrandomizowanych modeli konwolucyjnych, takich jak rodzina algorytmów randomizowanych konwolucji dla danych sekwencyjnych.

3)  Promotor: dr hab. inż. Marek Rydel, prof. ucz.

Temat pracy: Badanie i rozwój strategii uczenia ciągłego w analizie danych spektralnych

Krótki opis prac: Praca obejmie badanie i rozwój strategii uczenia ciągłego w analizie danych spektralnych. W pierwszym etapie zostanie opracowany zbiór danych badawczy oraz scenariusze napływu nowych klas, odzwierciedlające różne poziomy trudności problemu. Następnie przygotowany zostanie model offline stanowiący punkt odniesienia oraz bazowa strategia uczenia ciągłego oparta na podejściu replay-based. Opracowane rozwiązania zostaną poddane ewaluacji na utworzonym zbiorze danych w celu oceny możliwości osiągnięcia satysfakcjonujących wyników oraz określenia dystansu względem modelu referencyjnego. W dalszym etapie badania zostaną rozszerzone o inne zbiory danych, a także o odmienne strategie uczenia ciągłego i różne scenariusze kolejności napływu klas. Uzyskane wyniki posłużą do stopniowego doskonalenia badanych metod oraz oceny ich skuteczności w bardziej złożonych i zróżnicowanych warunkach eksperymentalnych.

4) Promotor: dr hab. inż. Marek Rydel, prof. ucz.

Temat pracy: Adaptacyjna wielokryterialna ewolucyjna optymalizacja dla modeli uczenia maszynowego uwzględniająca ich pracę na urządzeniach brzegowych

Krótki opis prac: Badanie obejmuje opracowania algorytmów zdolnych do autonomicznej adaptacji konfiguracji architektury oraz parametrów modeli uczenia maszynowego w czasie rzeczywistym, w odpowiedzi na dynamiczne zmiany w środowiskach Edge Computing. Wyzwaniem jest reakcja na takie zdarzenia jak wahania dostępnej energii czy fluktuacje zasobów obliczeniowych. Celem badań jest stworzenie mechanizmów ewolucyjnych, które będą w stanie nieustannie utrzymywać optymalny kompromis (tzw. Pareto-optimal trade-off) pomiędzy dokładnością predykcji, opóźnieniem a zużyciem energii. Takie podejście pozwoli na znaczące zwiększenie efektywności i niezawodności systemów AI wdrażanych na urządzeniach brzegowych, szczególnie w trudnych i nieprzewidywalnych warunkach operacyjnych.

5) Promotor: dr hab. inż. Mariusz Rząsa, prof. ucz.

Temat pracy: Opracowanie modelu architektury Zero Trust dla rozproszonych systemów hybrydowych z uwzględnieniem urządzeń edge oraz adaptacyjnej oceny ryzyka dostępu.

Krótki opis prac: Temat obejmuje badanie możliwości zastosowania modelu Zero Trust w projektowaniu współczesnych systemów informatycznych działających w środowiskach rozproszonych, chmurowych i hybrydowych. Zakres pracy może obejmować modelowanie relacji zaufania pomiędzy użytkownikami, usługami i urządzeniami, a także analizę mechanizmów uwierzytelniania, autoryzacji, segmentacji i kontroli dostępu. Celem badań może być opracowanie modelu architektonicznego oraz zestawu dobrych praktyk, które umożliwią skuteczne wdrażanie zasad Zero Trust w złożonych środowiskach systemowych.

6) Promotor: dr hab. inż. Mariusz Rząsa, prof. ucz.

Temat pracy: Cyberbezpieczeństwo systemów rozproszonych opartych o mikrousługi.

Krótki opis prac: Temat obejmuje analizę i projektowanie architektur systemów rozproszonych, ze szczególnym uwzględnieniem środowisk opartych o mikrousługi. Przedmiotem zainteresowania jest wpływ decyzji architektonicznych na bezpieczeństwo komunikacji między usługami, izolację komponentów, zarządzanie tożsamością, autoryzacją oraz odporność systemu na błędy i incydenty. W ramach pracy możliwe jest opracowanie zbioru wzorców architektonicznych oraz kryteriów oceny, które pozwolą łączyć wymagania bezpieczeństwa z wymaganiami skalowalności i utrzymania systemu.

7) Promotor: dr hab. inż. Rafał Stanisławski prof. ucz.

Temat pracy: Automatyczne reprezentacje danych dla wielospektralnych algorytmów teledetekcyjnych

Krótki opis prac: Rozwinięcie tematów podjętych w ramach przygotowań pracy magisterskiej. Do tej pory przygotowano i opublikowano 2 zbiory danych wraz z oznaczeniami oraz pierwsze rozwiązania uczenia maszynowego oparte na modelach bazujących na spektralnych i przestrzennych postaciach takich danych. Wstępne badania ujawniły kilka ciekawych wyzwań, związanych z dużą złożonością danych (wiele cech spektralnych, rozległy rozmiar danych) czy z dużą liczebnością przypadków. Dla ujawnionych wyzwań zapisano szereg potencjalnych rozwiązań, wartych pogłębienia prac w ramach szkoły doktorskiej.

8) Promotor: dr hab. inż. Michał Tomaszewski, prof. ucz.

Temat pracy: Analiza zachowań i emocji na podstawie danych multimodalnych z wykorzystaniem metod uczenia maszynowego.

Krótki opis prac:  Celem pracy jest zbadanie możliwości wykorzystania metod sztucznej inteligencji do analizy zachowań oraz emocji człowieka na podstawie danych multimodalnych. W pracy zostaną omówione różne typy danych wykorzystywane w tego typu analizach, takie jak obraz, dźwięk, tekst czy dane biometryczne. Szczególną uwagę poświęcono metodom uczenia maszynowego i głębokiego uczenia służącym do integracji i analizy wielu źródeł danych jednocześnie. W części praktycznej zostanie przygotowany model analizujący wybrany zestaw danych multimodalnych w celu identyfikacji wzorców zachowań lub stanów emocjonalnych. Następnie przeprowadzona zostanie ocena skuteczności zastosowanych algorytmów oraz porównanie różnych podejść analitycznych. Wyniki badań pozwolą określić potencjał oraz ograniczenia wykorzystania danych multimodalnych w analizie zachowań i emocji. Praca może wskazać także możliwe zastosowania takich metod w obszarach takich jak interakcja człowiek–komputer, edukacja czy systemy wspomagania decyzji.

9) Promotor: dr hab. inż. Michał Tomaszewski, prof. ucz.

Temat pracy: Zastosowanie metod sztucznej inteligencji w analizie danych medycznych

Krótki opis prac: Celem pracy jest analiza możliwości wykorzystania metod sztucznej inteligencji do przetwarzania i interpretacji danych medycznych. W pracy zostaną omówione różne rodzaje danych wykorzystywanych w medycynie, takie jak dane kliniczne, obrazy medyczne, sygnały biomedyczne czy elektroniczna dokumentacja pacjentów. Szczególną uwagę poświęcono metodom uczenia maszynowego stosowanym w diagnostyce, prognozowaniu przebiegu chorób oraz wspomaganiu decyzji medycznych. W części praktycznej zostanie opracowany model analizujący wybrany zbiór danych medycznych w celu identyfikacji istotnych wzorców lub czynników ryzyka. Następnie zostanie przeprowadzona ocena skuteczności zastosowanych metod analitycznych. Wyniki badań pozwolą ocenić potencjał wykorzystania sztucznej inteligencji w analizie danych medycznych oraz wskazać ograniczenia i wyzwania związane z ich zastosowaniem. Praca może przyczynić się do lepszego zrozumienia roli nowoczesnych technologii w rozwoju współczesnej medycyny i systemów opieki zdrowotnej.