Apriorní modely pro rubustní adversariální hluboké učení
Prior models for robust adversarial deep learning
dc.contributor.advisor | Flach Boris | |
dc.contributor.author | Jose Ananias Hilario Reyes | |
dc.date.accessioned | 2019-06-18T22:52:12Z | |
dc.date.available | 2019-06-18T22:52:12Z | |
dc.date.issued | 2019-06-18 | |
dc.identifier | KOS-883222250805 | |
dc.identifier.uri | http://hdl.handle.net/10467/83358 | |
dc.description.abstract | 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. | cze |
dc.description.abstract | 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. | eng |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | 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.html | eng |
dc.rights | Vysokoškolská 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 | cze |
dc.subject | předchozí znalosti | cze |
dc.subject | robustní učení | cze |
dc.subject | učení | cze |
dc.subject | Adversarial vzorky | cze |
dc.subject | hluboká učení | cze |
dc.subject | pravděpodobnostní neuronové sítě | cze |
dc.subject | grafické modely | cze |
dc.subject | Gibbs distribuce | cze |
dc.subject | podmíněné náhodná pole | cze |
dc.subject | Bayesovy metody | cze |
dc.subject | počítačové vidění | cze |
dc.subject | inferenční mechanismy | cze |
dc.subject | optimalizace | cze |
dc.subject | vyššího řádu závěr | cze |
dc.subject | přibližná Bayesian marginální závěr | cze |
dc.subject | variační inference | cze |
dc.subject | submodulové funkce | cze |
dc.subject | robustnost | cze |
dc.subject | DNN | cze |
dc.subject | CNN | cze |
dc.subject | strojové učení | cze |
dc.subject | robustní optimalizace | cze |
dc.subject | diskriminační učení | cze |
dc.subject | laterální interakce | cze |
dc.subject | prior knowledge | eng |
dc.subject | robust learning | eng |
dc.subject | learning | eng |
dc.subject | adversarial examples | eng |
dc.subject | deep learning | eng |
dc.subject | stochastic neural networks | eng |
dc.subject | graphical models | eng |
dc.subject | Gibbs distributions | eng |
dc.subject | conditional random fields | eng |
dc.subject | Bayes methods | eng |
dc.subject | computer vision | eng |
dc.subject | inference mechanisms | eng |
dc.subject | optimization | eng |
dc.subject | higher-order inference | eng |
dc.subject | approximate Bayesian marginal inference | eng |
dc.subject | variational inference | eng |
dc.subject | submodular functions | eng |
dc.subject | robustness | eng |
dc.subject | DNN | eng |
dc.subject | CNN | eng |
dc.subject | machine learning | eng |
dc.subject | robust optimization | eng |
dc.subject | discriminative learning | eng |
dc.subject | lateral interactions | eng |
dc.title | Apriorní modely pro rubustní adversariální hluboké učení | cze |
dc.title | Prior models for robust adversarial deep learning | eng |
dc.type | diplomová práce | cze |
dc.type | master thesis | eng |
dc.contributor.referee | Schlesinger Dmitrij | |
theses.degree.discipline | Umělá inteligence | cze |
theses.degree.grantor | katedra počítačů | cze |
theses.degree.programme | Otevřená informatika | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Diplomové práce - 13136 [833]