Wydział Informatyki
Loading...
Homepage
https://www.informatyka.agh.edu.pl/pl/
17 results
Search Results
Now showing 1 - 10 of 17
Item type:Doctoral Dissertation, Access status: Open Access , Organization and automation of a standards-aligned, declarative Network Slice/Subnet design process(Data obrony: 2025-12-08) Wyszkowski, Przemysław
Wydział InformatykiFinalnie, precyzowane są całościowe ramy proceduralne procesu projektowania, złożonego z wysokogranularnych aktywności o jasno określonym wejściu/wyjściu i komplementarnych wobec siebie rolach, wraz z określeniem stopniowych, kompatybilnych wstecznie możliwości wdrożenia automatyzacji projektowania NSI/NSSI w systemach zarządzania i orkiestracji sieci 5G. Opracowane koncepcje modeli i metod projektowania zostają poddane weryfikacji w części praktycznej dysertacji. Szeroki opis implementacji systemu opartego o proponowane ramy konceptualne, prezentuje ich realizowalność, wykazując jednocześnie szereg ich własności, takich jak spójność, wielowariantowość i rozszerzalność. Badania eksperymentalne zostały przeprowadzone na danych konfiguracyjnych zbliżonych do rzeczywistych, wykazując poprawność działania systemu w szeregu jednoczesnym braku konieczności zaangażowania operatora w proces projektowania i alokacji. Ewaluacja z perspektywy wydajnościowej wykazuje w pełni satysfakcjonujące czasy projektowania na bazie wejściowych wymagań klienta, pozwalając na zastosowanie przedstawionych rozwiązań dla dynamicznego dostarczania NSI/NSSI na żądanie, w dużych ilościach i w różnych skalach. Całość zgromadzonych rezultatów eksperymentalnych pozwala na potwierdzenie zasadności sformułowanej tezy, wykazując jednocześnie wysoki potencjał dla praktycznego wdrożenia opracowanych rozwiązań i ich standaryzacji.Item type:Doctoral Dissertation, Access status: Open Access , Objects pose tracking on RGB images(Data obrony: 2025-09-16) Majcher, Mateusz
Wydział InformatykiŚledzenie sześciowymiarowej pozy obiektu jest klasycznym problemem w widzeniu komputerowym, który jest wykorzystywany w wielu dziedzinach. Celem jest określenie trzywymiarowej rotacji oraz trzywymiarowej translacji względem obserwującej kamery. Ze względu na zmiany oświetlenia, przesłonięcia oraz niejednoznaczność widzianej strony obiektu, wyznaczanie pozy stanowi wymagające wyzwanie. Niniejsza rozprawa doktorska odnosi się do wybranych wyzwań, proponując metody wykorzystujące obrazy RGB, które poprawiają śledzenie pozy obiektu. Jednym z głównych wkładów jest wykorzystanie dodatkowych informacji z wcześniejszych klatek poprzez dostarczenie ich na wejście sieci neuronowej w celu poprawy precyzji określania punktów charakterystycznych w niejednoznacznych sytuacjach. W tym celu zaproponowane zostały nowe architektury sieci neuronowych, które dodatkowo posiadają osobno wytrenowaną część z wejściem do poprawy estymaty pozy obiektu na podstawie informacji o rotacji z poprzedniej klatki. Rozprawa bada metody do analizy zasłoniętych lub niewidocznych punktów charakterystycznych przy pomocy opisanych segmentów kształtu obiektu oraz odległości od rzutowanych krawędzi obiektu. Wyniki prac eksperymentalnych pokazują, że zaproponowane metody pozwalają w znacznym stopniu zniwelować negatywne wpływy przesłonięć oraz optymalnie wykorzystać istniejące dane w trakcie śledzenia pozy obiektów.Item type:Doctoral Dissertation, Access status: Open Access , Towards lifelong anomaly detection in challenging scenarios and its application in cybersecurity(Data obrony: 2025-04-16) Faber, Kamil
Wydział InformatykiW tej dysertacji opisujemy badania w zakresie połączenia wykrywania anomalii oraz lifelong learningu, tworząc algorytmy działające w trudnych scenariuszach, ze szczególnym uwzględnieniem zastosowań w cyberbezpieczeństwie. Formułujemy podstawowe pojęcia w zakresie scenariuszy, strategii i metryk. Prezentujemy także korzyści płynące z jednoczesnej adaptacji i zachowania wiedzy, które zapewnia lifelong learning. Ponadto prezentujemy oryginalną metodę VLAD, będącą odpowiedzią na problem trudnych scenariuszy, w których algorytm musi rozpoznać zmianę w danych, wskazującą na potrzebę adaptacji. Jako narzędzie wspomagające ten problem proponujemy algorytm LIFEWATCH, który jest zdolny do wykrywania zmian i rozpoznawania, czy napotkane dane są zupełnie nową sytuacją, czy też ponownym wystąpieniem już wcześniej napotkanej. Adresujemy również problem zanieczyszczonych danych uczących, tworząc metodę redukcji problemu zanieczyszczenia poprzez uczenie aktywne. Na koniec prezentujemy propozycję algorytmu wykorzystującego współdzielenie wiedzy oraz lifelong learning w zadaniu wykrywania włamań w środowisku rozproszonym.Item type:Doctoral Dissertation, Access status: Open Access , In search of the most efficient and memory-saving visualization of high dimensional data(Data obrony: 2024-01-17) Minch, Bartosz
Wydział InformatykiInteraktywna, wizualna eksploracja dużych, wielowymiarowych zbiorów danych odgrywa bardzo ważną rolę w różnych dziedzinach nauki, która wymaga zagregowanej informacji o wzajemnych relacjach między wieloma obiektami. Umożliwia ona nie tylko rozpoznanie ich istotnych cech i form strukturalnych, takich jak skupiska wierzchołków i ich wzorce połączeń, ale także ocenę ich wzajemnych relacji w zakresie położenia, odległości, kształtu i gęstości połączeń. Twierdzimy, że wizualizacja wielowymiarowych danych (AD) jest dobrze przybliżana przez problem dwuwymiarowego (2D) osadzania nieukierunkowanych grafów najbliższych sąsiadów (ang. kNN graphs). W dzisiejszych czasach, rozmiar złożonych sieci (zbiorów danych) G(V,E) (\V\=M~106+) stanowi duże wyzwanie dla dzisiejszych systemów komputerowych i wciąż wymaga bardziej wydajnych algorytmów osadzania danych wielowymiarowych. Istniejące metody redukcji wymiarowości danych, które wymagają większej złożoności obliczeniowej i pamięciowej niż O(M), są zbyt wolne do interaktywnej manipulacji na dużych sieciach obejmujących miliony wierzchołków. Pokazujemy, że osadzenia wysokiej jakości mogą być produkowane przy minimalnej złożoności czasowej i pamięciowej. Przedstawiamy bardzo wydajne algorytmy IVHD oraz IVHD-CUDA, a następnie porównujemy je z najnowszymi i najpopularniejszymi metodami redukcji wymiarowości (zarówno w wersji dla CPU, jak i GPU): t-SNE, UMAP, TriMAP, PaCMAP, BH-SNE-CUDA oraz AtSNE-CUDA. Pokazujemy, że wymagania pamięciowe i czasowe dla IVHD są radykalnie niższe niż dla kodów bazowych. Na przykład, IVHD-CUDA jest prawie 30 razy szybsza w osadzaniu (bez procedury generowania grafu najbliższych sąsiadów, która jest taka sama dla wszystkich metod) jednego z największych użytych zbiorów danych, YAHOO (M=1.4x106), niż AtSNE-CUDA. Stwierdzamy, że kosztem niewielkiego pogorszenia jakości osadzania, w porównaniu do algorytmów bazowych, IVHD dobrze zachowuje główne własności strukturalne danych ND w 2D przy znacznie niższym budżecie czasowym. Przedstawiamy również meta-algorytm, który umożliwia wykorzystanie dowolnej nienadzorowanej metody osadzania danych w sposób nadzorowany i w rezultacie pozwala na elastyczną kontrolę globalnych i lokalnych własności osadzenia. Dzięki temu, nasze metody mogą być dobrym kandydatem do interaktywnej wizualizacji naprawdę dużych zbiorów danych (M=108+) i mogą być dalej wykorzystywane do inspekcji i interpretacji zależności pomiędzy alternatywnymi reprezentacjami obserwacji wyuczonymi przez sztuczne sieci neuronowe (ang. ANN).Item type:Doctoral Dissertation, Access status: Open Access , Map of elections(Data obrony: 2024-05-13) Szufa, Stanisław Andrzej
Wydział InformatykiW niniejszej rozprawie skupiam się na badaniu zagadnień związanych z obliczeniową teorią wyboru społecznego. Dyscyplina ta koncentruje się na analizie zbiorowego podejmowania decyzji, w szczególności na jej obliczeniowych aspektach. W swoich badaniach przede wszystkim skupiam się na analizie różnych statystycznych modeli preferencji. Analizowane przeze mnie modele preferencji są powszechnie wykorzystywane przez społeczność zajmującą się algorytmicznymi aspektami wyborów. Ich lepsze zrozumienie pozwoli w przyszłości na trafniejsze dobieranie modeli zależnie od sytuacji oraz na bardziej racjonalne planowanie eksperymentów obliczeniowych. Każde wybory możemy utożsamić z punktem w pewnej wielowymiarowej przestrzeni. Pojawia się pytanie, jak porównywać ze sobą różne wybory? Oraz jak mierzyć odległości pomiędzy nimi? Próbując odpowiedzieć na powyższe pytania wprowadzam narzędzie nazywane mapą wyborów, graficzną reprezentację ułatwiającą zrozumienie przestrzeni wyborów. Na początku przygotowujemy zestaw wyborów. Następnie, zgodnie z zadaną metryką, obliczamy odległości pomiędzy każdą parą wyborów. Na koniec, bazując na obliczonych odległościach, osadzamy wszystkie wybory w dwuwymiarowej przestrzeni euklidesowej. Mapa wyborów - to nie pojedyncza mapa, a narzędzie pozwalające tworzyć różne warianty mapy dla różnych modeli i parametrów. Dzięki mapie udało się dokonać wielu istotnych spostrzeżeń.Item type:Doctoral Dissertation, Access status: Open Access , Super-scalable urban traffic simulation(Data obrony: 2026-04-24) Najdek, Mateusz
Wydział InformatykiSymulacja ruchu miejskiego wymaga wysokiej jakości modeli mikroskopowych, zdolnych do odwzorowania złożonych sieci drogowych oraz zróżnicowanych zachowań kierowców, przy jednoczesnym zachowaniu skalowalności na systemach obliczeń wysokiej wydajności (HPC). Istniejące podejścia często napotykają ograniczenia skalowalności, opierają się na uproszczonych modelach lub nie zapewniają pełnej poprawności przy wykonaniu równoległym. Niniejsza rozprawa przedstawia superskalowalny, ciągły, mikroskopowy algorytm symulacji ruchu drogowego, zaimplementowany w narzędziu HiPUTS (High- Performance Urban Traffic Simulator). Zaproponowane podejście łączy geometryczny podział przestrzeni, zdecentralizowaną aktualizację stanu oraz schemat komunikacji zaprojektowany w celu osiągnięcia niezmienności skali przy jednoczesnym zachowaniu zgodności między wykonaniem sekwencyjnym a rozproszonym. HiPUTS wspiera szczegółowe modele jazdy za pojazdem, automatyczny podział rzeczywistych miejskich sieci drogowych oraz adaptacyjną redystrybucję obciążenia. Wyniki eksperymentów wykazują silną i słabą skalowalność przy wykorzystaniu tysięcy rdzeni CPU, z przyspieszeniem bliskim liniowemu lub superliniowym. Ocena potwierdza zdolność metody do efektywnej symulacji wielkoskalowych systemów ruchu miejskiego, które wcześniej pozostawały poza praktycznym zasięgiem obliczeniowym. Praca stanowi podstawę metodologiczną dla rozproszonych symulacji ruchu miejskiego oraz wspiera przyszłe zastosowania w analizie wielkoskalowej, zarządzaniu ruchem i prognozowaniu w czasie rzeczywistym.Item type:Article, Access status: Open Access , Time-Frequency Token Advantage Clipping for Training Efficient Large Reasoning Model(2026) Bao, Rong; Wang, Bo; Li, Hongyu; Zheng, Riu; Wang, Xiao; Rutkowski, Leszek; Zhang, Qi; Ding, Liang; Tao, Dacheng
Wydział InformatykiLong Chain-of-Thought (CoT) reasoning enhances large reasoning models’ performance but suffers from severe inefficiencies, as models often overthink simple problems or underthink complex ones. Current sequence-level optimizations, like length penalties, are too coarse-grained to distinguish core logic from verbose language, precluding the necessary token-level control for efficient reasoning CoT. To overcome these limitations, we introduce Time-Frequency token Advantage Clipping (TFAC), a novel training framework designed to build efficient large reasoning models via token-level interventions. Specifically, TFAC functions along two dimensions: 1) The Frequency Dimension: It discourages inefficient loops and encourages deeper exploration by dynamically reducing the advantage scores of high-entropy tokens that are repeatedly generated within a single reasoning path. 2) The Time Dimension: It reduces excessive overthinking of the system by establishing a historical baseline for the occurrence count of each critical token in previously successful trajectories, and clipping the advantages of tokens that exceed this baseline during training. Crucially, to preserve the model’s exploratory capabilities on novel problems, this suppression mechanism is automatically disabled when no historical record of success is available. Experiments conducted on the Deepseek-Distill-32B and Qwen3- 8B models show that TFAC outperforms leading baseline methods, improving performance by 2.3 and 3.1 percentage points, respectively, while simultaneously reducing inference costs by 35% and 28% in scenarios where correct answers are generated. These results validate the significant efficacy of TFAC in training large reasoning models that are both powerful and highly efficient. The source code and datasets used in this study are available at https://github.com/rbao2018/TFAC.Item type:Article, Access status: Open Access , SRD: Reinforcement-Learned Semantic Perturbation for Backdoor Defense in VLMs(2026) Xu, Shuhan; Liang, Siyuan; Zheng, Hongling; Liu, Aishan; Wang, Xinbiao; Luo, Yong; Lin, Fu; Rutkowski, Leszek; Tao, Dacheng
Wydział InformatykiVisual language models (VLMs) have made significant progress in image captioning tasks, yet recent studies have found they are vulnerable to backdoor attacks. Attackers can inject undetectable perturbations into the data during inference, triggering abnormal behavior and generating malicious captions. These attacks are particularly challenging to detect and defend against due to the stealthiness and cross-modal propagation of the trigger signals. In this paper, we identify two key vulnerabilities by analyzing existing attack patterns: (1) the model exhibits abnormal attention concentration on certain regions of the input image, and (2) backdoor attacks often induce semantic drift and sentence incoherence. Based on these insights, we propose Semantic Reward Defense (SRD), a reinforcement learning framework that mitigates backdoor behavior without requiring any prior knowledge of trigger patterns. SRD learns to apply discrete perturbations to sensitive contextual regions of image inputs via a deep Q-network policy, aiming to confuse attention and disrupt the activation of malicious paths. To guide policy optimization, we design a reward signal named semantic fidelity score, which jointly assesses the semantic consistency and linguistic fluency of the generated captions, encouraging the agent to achieve a robust yet faithful output. SRD offers a trigger-agnostic, policy-interpretable defense paradigm that effectively mitigates local (TrojVLM) and global (Shadowcast) backdoor attacks, reducing ASR to 3.4% and 5.6% respectively, with less than 15% average CIDEr drop on the clean inputs. Our codes can be found at https://github.com/ Ciconey/SRD.git.Item type:Book Chapter, Access status: Open Access , EXPBrain: Exponential Integrators for Glioblastoma Brain Tumor Simulations(Springer, 2025) Pabisz, Magdalena; Ciupek, Dominika; Vilkha, Askold; Paszyński, Maciej; Paszynski, M., Barnard, A.S., Zhang, Y.J. (eds)
Wydział InformatykiNOTE. This is a preprint of the paper with the same name in the Lecture Notes in Computer Science Journal. This preprint has not undergone peer review (when applicable) or any post-submission improvements or corrections. The Version of Record of this contribution is published in Paszynski, M., Barnard, A.S., Zhang, Y.J. (eds) Computational Science – ICCS 2025 Workshops. ICCS 2025. Lecture Notes in Computer Science, vol 15907, and is available online at: https://doi.org/10.1007/978-3-031-97554-7_10 In this paper we discuss a MATLAB implementation of the exponential integrators method employed for simulating of the brain tumor progression. As the input data we utilize publicly available T1-weighted magnetic resonance imaging dataset ds003826, representing healthy individuals. The data from these datasets are originally stored using NIfTI format. We select randomly one anonimized individual from the considered dataset. We normalize the brain scan data using min-max normalization to a range of 0 to 255. In the data from the dataset ds003826 the voxel resolution is not isotropic in all directions, so we interpolate the data from dimensions 176×248×256 into 194×248×256 in order to have proper proportions of the human brain. We set the data asa sequence of 256 PNG files with the resolution of 194 × 248. Having the MRI scan data, we run the exponential integrators method simulating the glioblastoma tumor growth using the Fisher-Kolmogorov diffusion-reaction model with logistic growth. We assume the initial tumor location and run the simulation predicting two years forward tumor growth. For the spatial discretization we employ the finite difference method, and for the temporal discretization we use the ultra-fast exponential integrators method. Our simulator generates the simulational results suitable for visualization using the ParaView tool.Item type:Article, Access status: Open Access , Bridging the Tokenizer Gap: Semantics and Distribution-aware Knowledge Transfer for Unbiased Cross-Tokenizer Distillation(2026) Wang, Huazheng; Jing, Yongcheng; Sun, Haifeng; Wang, Jingyu; Liao, Jianxin; Rutkowski, Leszek; Tao, Dacheng
Wydział InformatykiCross-tokenizer knowledge distillation, where the teacher and student employ different tokenizers, is becoming increasingly prevalent, yet it poses underexplored challenges: existing methods fail to capture the rich knowledge encoded in teacher logits, as evidenced by the neglect of semantic information, inaccurate and biased logit alignment, and discarding distributional structure—ultimately leading to unfavorable distillation. To address these issues, we propose SEDI, a semantics and distribution-aware knowledge transfer framework tailored for cross-tokenizer distillation. To preserve factual knowledge, SEDI employs bipartite graph-based alignment at the tokenization level and a sliding window re-encoding strategy at the vocabulary level, enabling unbiased transfer of the teacher’s next-token predictions into the student’s vocabulary space. To further retain distributional information, we align the student’s entropy with that of the teacher by incorporating the student’s own logits during training, which helps to mitigate the exposure bias problem. Experiments on ten datasets across three task domains and five different teacher-student model pairs with varying vocabulary sizes demonstrate that SEDI delivers substantial improvements, with gains of up to 19.8 .