Csáji Balázs Csanád a SZTAKI tudományos főmunkatársa. Első diplomáját programtervező matematikusként szerezte az ELTE-TTK-n 2001-ben, majd filozófia szakos bölcsész diplomát szerzett az ELTE-BTK-n 2006-ban. Tanulmányai alatt 3-5 hónapos részképzésekben vett részt az Eindhoveni Műszaki Egyetemen (Hollandia, 2001), a British Telecomnál (Nagy Britannia, 2002), és a Johannes Kepler Egyetemen (Ausztria, 2003). 2004-től a SZTAKI Mérnöki és Üzleti Intelligencia Kutatólaboratóriumának dolgozója. Ph.D. fokozatát az ELTE Informatikai Karán védte meg 2008-ban.

Doktorálása után a Louvaini Katolikus Egyetemen (Belgium) volt posztdoktori kutató, majd 2009-től a Melbournei Egyetemen (Ausztrália) dolgozott mint “Research Fellow”, ahonnan 2013-ban tért haza. Csáji Balázs Csanád eredményeit több díjjal jutalmazták, például elnyerte az Ausztrál Kutatási Tanács (ARC) “Discovery Early Career Researcher Award (DECRA)” díját (alkalmazott matematika kategóriában), valamint az MTA Matematikai Tudományok Osztályának Gyires Béla díját.

Kutatási területe a gépi tanulásban és rendszer identifikációban fellépő sztochasztikus modellek valószínűségelméleti és statisztikai vizsgálata, valamint ezek mérnöki és ipari alkalmazása.

Kiemelt publikációk

  • Csáji, B.Cs.; Kis, K.B.: Distribution-free uncertainty quantification for kernel methods by gradient perturbations, Machine Learning, Vol. 108, No. 8-9, 2019, pp. 1677–1699.
  • Weyer, E.; Campi, M.C.; Csáji, B.Cs.: Asymptotic properties of SPS confidence regions, Automatica, Vol. 82, August 2017, pp. 287-294.
  • Csáji, B. Cs.; Campi, M. C.; Weyer, E.: Sign-Perturbed Sums: A New System Identification Approach for Constructing Exact Non-Asymptotic Confidence Regions in Linear Regression Models, IEEE Transactions on Signal Processing, IEEE Press, Vol. 69, 2015, pp. 169–181.
  • Csáji, B. Cs.; Monostori, L.: Adaptive Stochastic Resource Control: A Machine Learning Approach, Journal of Artificial Intelligence Research (JAIR), AAAI Press, Vol. 32, 2008, pp. 453–486.
  • Csáji, B. Cs.; Monostori, L.: Value Function Based Reinforcement Learning in Changing Markovian Environments, Journal of Machine Learning Research (JMLR), MIT Press and Microtome Publishing, Vol. 9, 2008, pp. 1679–1709.