Rok akademicki 2026/2027

Semestr zimowy 2026/2027

Prowadzący seminarium (UŚ): dr hab. Agnieszka Nowak Brzezińska prof. UŚ, dr hab. Beata Zielosko prof. UŚ

Autor referatu: mgr Bartosz Szóstak (kooperacja dr hab. inż. Rafał Doroz prof. UŚ)

Temat: Kontrfaktyczne wyjaśnienia uwzględniające preferencje użytkownika: od przeszukiwania metodą Monte Carlo do optymalizacji wspomaganej wartościami SHAP

Streszczenie:

Kontrfaktyczne wyjaśnienia są zwykle konstruowane z naciskiem na trafność, bliskość względem obserwacji wejściowej lub rzadkość zmian, jednak takie kryteria nie opisują wprost, czy wskazana alternatywa jest zgodna z preferencjami użytkownika. W podejściu preference-aware punkt ciężkości zostaje przesunięty z poszukiwania najkrótszej zmiany na poszukiwanie zmiany dopuszczalnej, realistycznej i zarazem pożądanej. W pierwszym etapie prac problem ten został ujęty jako zadanie przeszukiwania Monte Carlo sterowanego priorytetami, w którym preferencje definiują zarówno przestrzeń rozwiązań, jak i rozkłady próbkowania oraz końcowy ranking kandydatów. Pozwala to generować kontrfaktyczne wyjaśnienia osiągające zadany cel predykcyjny przy jednoczesnym uprzywilejowaniu zmian lepiej odpowiadających deklarowanym oczekiwaniom użytkownika. Obecny kierunek rozwoju rozszerza tę metodologię o wykorzystanie wartości SHAP jako źródła lokalnej informacji o wpływie cech na decyzję modelu. Rozważane podejście łączy ograniczenia wynikające z preferencji z lokalną aproksymacją zachowania modelu, aby przejść od losowego przeszukiwania przestrzeni rozwiązań do optymalizacji bardziej ukierunkowanej i potencjalnie bardziej precyzyjnej. W szczególności analizowana jest możliwość użycia dekompozycji wkładów cech do wyznaczania obiecujących kierunków modyfikacji, przy zachowaniu warunku osiągnięcia celu predykcyjnego oraz maksymalizacji zgodności z preferencjami. Tak sformułowany problem sytuuje preference-aware counterfactual explanations w szerszym obszarze systemów adaptacyjnych i interakcji człowiek--AI, gdzie istotne pozostaje nie tylko to, czy modelową decyzję da się zmienić, lecz także jakie zmiany są akceptowalne z perspektywy użytkownika. Proponowane rozszerzenie wyznacza kolejne kroki badawcze w kierunku metod hybrydowych, łączących informację objaśniającą z optymalizacją sterowaną preferencjami.

Termin: 2026-10-27, godz. 13.00-13.45

Miejsce: Platforma Teams

 

Prowadzący seminarium (KUL): dr hab. inż. Krzysztof Pancerz, prof. KUL

Autor referatu: dr hab. inż. Krzysztof Pancerz, prof. KUL

Temat: PyISOG - pakiet języka Python dla systemów informacyjnych nad grafami ontologicznymi

 

Streszczenie:

Zaprezentowany zostanie zaprojektowany i zaimplementowany zestaw narzędzi w języku Python, służący do pracy z systemami informacyjnymi (rozumianymi jako systemy reprezentacji wiedzy według Pawlaka) nad grafami ontologicznymi. Systemy te zawierają wiedzę domenową w formie ontologii, dzięki czemu do procesów odkrywania wiedzy można wprowadzić cenne informacje, zwłaszcza w zakresie relacji semantycznych. Na początkowym etapie szczególny nacisk położono na metody wstępnego przetwarzania danych, a także na techniki wyznaczania relacji nierozróżnialności oraz macierzy rozróżnialności – pojęć kluczowych dla podejść opartych na zbiorach przybliżonych.

Termin: 2026-11-24, godz. 13.00-13.45

Miejsce: Platforma Teams

*

Prowadzący seminarium (KUL): dr hab. inż. Krzysztof Pancerz, prof. KUL

Autor referatu: dr Małgorzata Nowak-Kępczyk

Temat: Reset zegara kryzysów: rzadkie interwencje w modularnych automatach komórkowych

 

Streszczenie:

Proste lokalne reguły automatów komórkowych mogą prowadzić do złożonej organizacji przestrzennej i czasowej: replikacji, fragmentacji, samopodobieństwa oraz gwałtownych przejść między stanami o różnej gęstości. W referacie przedstawię modularne automaty komórkowe generowane przez dyskretny operator Laplace’a, w których arytmetyka modularna tworzy charakterystyczną hierarchię czasową. W przypadku dynamiki binarnej pojawiają się powtarzalne kryzysy gęstości związane z dyadyczną strukturą replikacji — swoisty zegar kryzysów.

Termin: 2026-12-08, godz. 13.00-13.45

Miejsce: Platforma Teams

*

 

Prowadzący seminarium (UŚ): dr hab. Agnieszka Nowak Brzezińska prof. UŚ, dr hab. Beata Zielosko prof. UŚ

Autor referatu: mgr Benjamin Dadzie

Temat: Detecting Feature Drift by Monitoring Feature-Rank Stability in Data Streams

 

Streszczenie:

Machine-learning models deployed on data streams degrade when the data they rely on changes over time. Most drift detectors watch the classifier’s prediction error, which requires timely labels and often produces many false alarms. This talk presents FRDD (Feature Ranking-Based Drift Detector), a chunk-wise, event-driven method that detects drift by monitoring how stable feature-importance rankings remain over time. FRDD builds acceptance intervals for each feature’s rank from a reference window and raises an alarm when enough features fall outside them. It supports a supervised variant based on LASSO and a label-free variant based on the Laplacian Score. Experiments on synthetic streams (abrupt, gradual, incremental and recurring drift) and real-world benchmarks show that FRDD triggers far fewer false alarms than classical detectors such as DDM, ADWIN and HDDM, while maintaining competitive accuracy. The supervised variant favours precision, and the unsupervised variant favours sensitivity. The talk closes with open questions and directions for future work.

Termin: 2026-12-22, 13.00-13.45

Miejsce: Platforma Teams

*

Prowadzący seminarium (UR): dr hab. Urszula Bentkowska prof. UR, dr Anna Król

Autor referatu: mgr inż. Dorota Gil (kooperacja prof. dr hab. Barbara Pękala)

Temat: Adaptacyjne, uwzględniające entropię federacyjne uczenie rozmyte dla danych heterogenicznych i niekompletnych

 

Streszczenie:

Dane heterogeniczne i niekompletne stanowią istotne wyzwanie dla uczenia i wnioskowania w warunkach niepewności. Niniejsza prezentacja przedstawia potencjał integracji przedziałowych rozmytych systemów wnioskujących z uwzględniającym entropię uczeniem federacyjnym. Przedziałowe zbiory rozmyte umożliwiają reprezentację niepewności za pomocą przedziałów stopni przynależności, zapewniając elastyczność w modelowaniu informacji nieprecyzyjnej i niekompletnej. Zaproponowane ujęcie analizuje, w jaki sposób miary oparte na entropii oraz mechanizmy adaptacyjne mogłyby wspierać agregację wiedzy w środowiskach rozproszonych o heterogenicznych danych. Szczególną uwagę poświęcono interpretowalności, obsłudze niepewności oraz