Kander Levente
A dolgozat egy önfelügyelt kontrasztív tanulási technikát alkalmazva kísérletet tesz aortabillentyű-szűkülettel rendelkező betegek tabuláris adatai mögött rejlő mintázatok pontosabb feltérképezésére, elősegítve ezzel egy robosztusabb betegszegmentáció létrehozását. Elsőként bemutatásra kerül a kontrasztív tanulás elméleti háttere, majd a TabContrast módszer felépítése és működése. A kódoló által készített beágyazások csoportosíthatósága vizuálisan és a sziluette-mutató alapján került kiértékelésre. Az eredmények alapján megállapítást nyert, hogy az eredeti, nyers adatokhoz viszonyítva a TabContrast jobb klaszterezhetőséget hoz létre, egy általános klinikai és kardiovaszkuláris kockázati különbségeket megragadó struktúra mellett. Ugyanakkor, az aortabillentyűn mérhető kalcium érték klasszfikációjában a beágyazási és eredeti vektortérre készített véletlen erdő modellek pontossága nem mutat érdemi különbséget.