Show simple item record

Prior models for robust adversarial deep learning



dc.contributor.advisorFlach Boris
dc.contributor.authorJose Ananias Hilario Reyes
dc.date.accessioned2019-06-18T22:52:12Z
dc.date.available2019-06-18T22:52:12Z
dc.date.issued2019-06-18
dc.identifierKOS-883222250805
dc.identifier.urihttp://hdl.handle.net/10467/83358
dc.description.abstractHluboké 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.abstractDeep 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.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjectpředchozí znalosticze
dc.subjectrobustní učenícze
dc.subjectučenícze
dc.subjectAdversarial vzorkycze
dc.subjecthluboká učenícze
dc.subjectpravděpodobnostní neuronové sítěcze
dc.subjectgrafické modelycze
dc.subjectGibbs distribucecze
dc.subjectpodmíněné náhodná polecze
dc.subjectBayesovy metodycze
dc.subjectpočítačové viděnícze
dc.subjectinferenční mechanismycze
dc.subjectoptimalizacecze
dc.subjectvyššího řádu závěrcze
dc.subjectpřibližná Bayesian marginální závěrcze
dc.subjectvariační inferencecze
dc.subjectsubmodulové funkcecze
dc.subjectrobustnostcze
dc.subjectDNNcze
dc.subjectCNNcze
dc.subjectstrojové učenícze
dc.subjectrobustní optimalizacecze
dc.subjectdiskriminační učenícze
dc.subjectlaterální interakcecze
dc.subjectprior knowledgeeng
dc.subjectrobust learningeng
dc.subjectlearningeng
dc.subjectadversarial exampleseng
dc.subjectdeep learningeng
dc.subjectstochastic neural networkseng
dc.subjectgraphical modelseng
dc.subjectGibbs distributionseng
dc.subjectconditional random fieldseng
dc.subjectBayes methodseng
dc.subjectcomputer visioneng
dc.subjectinference mechanismseng
dc.subjectoptimizationeng
dc.subjecthigher-order inferenceeng
dc.subjectapproximate Bayesian marginal inferenceeng
dc.subjectvariational inferenceeng
dc.subjectsubmodular functionseng
dc.subjectrobustnesseng
dc.subjectDNNeng
dc.subjectCNNeng
dc.subjectmachine learningeng
dc.subjectrobust optimizationeng
dc.subjectdiscriminative learningeng
dc.subjectlateral interactionseng
dc.titleApriorní modely pro rubustní adversariální hluboké učenícze
dc.titlePrior models for robust adversarial deep learningeng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeSchlesinger Dmitrij
theses.degree.disciplineUmělá inteligencecze
theses.degree.grantorkatedra počítačůcze
theses.degree.programmeOtevřená informatikacze


Files in this item





This item appears in the following Collection(s)

Show simple item record