Apriorní modely pro rubustní adversariální hluboké učení
Prior models for robust adversarial deep learning
Typ dokumentu
diplomová prácemaster thesis
Autor
Jose Ananias Hilario Reyes
Vedoucí práce
Flach Boris
Oponent práce
Schlesinger Dmitrij
Studijní obor
Umělá inteligenceStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Hluboké sítě naučené standardními metodami diskriminačního učení jsou náchylné k protichůdným vzorům. Výcvik nepřátelsky robustních hlubokých sítí proto vyžaduje nové metody učení. Jednou zajímavou možností je zahrnout vhodné předchozí znalosti, které buď zobecní v silnějším smyslu, s využitím těchto předběžných informací, nebo omezí vyhledávací prostor prozkoumaný metodou učení, zatímco po tréninku penalizují příklady, které jsou nepravděpodobné v rámci distribuce dat. Práce si klade za cíl analyzovat a porovnávat různé typy předchozích poznatků s ohledem na jejich vliv na robustnost oponentů. Vhodnou volbou pro konvoluční hluboké sítě je zavedení laterálních interakcí uvnitř konvolučních vrstev, které odrážejí předpoklad prostorové kontinuity. Deep networks learned by standard methods of discriminative learning are susceptible to adversarial patterns. Training adversarially robust deep networks therefore requires new learning methods. One interesting option is to include appropriate prior knowledge that will either generalize in a stronger sense by using prior information, or restrict the search space explored by the learning method while, after training, penalizing examples that are unlikely under the data distribution. The thesis aims at analyzing and comparing different types of prior knowledge with respect to their impact on adversarial robustness. A suitable option for convolutional deep networks is to introduce lateral interactions within the convolutional layers to reflect the assumption of spatial continuity.
Kolekce
- Diplomové práce - 13136 [833]
Související záznamy
Zobrazují se záznamy příbuzné na základě názvu, autora a předmětu.
-
Inference na grafu reprezentující počítačovou síť
Autor: Mandlík Šimon; Vedoucí práce: Pevný Tomáš; Oponent práce: Šmídl Václav
(České vysoké učení technické v Praze. Vypočetní a informační centrum.Czech Technical University in Prague. Computing and Information Centre., 2018-06-05)Inference hodnot neznámých náhodných proměnných v grafu je široce studovaný problém. Grafová reprezentace systému náhodných proměnných je méně svazující, protože do grafu můžou být zakódovány vztahy mezi proměnnými. Tento ... -
Pattern Discovery, Learning and Detection in Time Series
Autor: Martin Ron; Vedoucí práce: Burget Pavel; Oponent práce: Pellicciari Marcello
(České vysoké učení technické v Praze. Vypočetní a informační centrum.Czech Technical University in Prague. Computing and Information Centre., 2022-06-12)Úlohy strojového učení typicky vyžadují velký objem dat pro učení svých modelů. Tato dizeratace se zabývá analýzou časových rad, kterou jsou částým typem dat zaznamenávaných v průmyslu. Cílovou aplíkací jemodelování a ... -
Relace deduktivního a induktivního odvozování v relačním učení
Autor: Martin Svatoš; Vedoucí práce: Kuželka Ondřej; Oponent práce: Malerba Donato
(České vysoké učení technické v Praze. Vypočetní a informační centrum.Czech Technical University in Prague. Computing and Information Centre., 2024-02-10)Relační učení využívá predikátovou logiku prvního řádu pro reprezentaci dat i modelů. Neoddiskutovatelnou výhodou tohoto formalismu je snadné vysvětlení naučených modelů a možnost reprezentovat širokou paletu problémů, ...