Show simple item record



dc.contributor.authorMašková, Michaela
dc.date.accessioned2022-01-05T14:34:34Z
dc.date.available2022-01-05T14:34:34Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/10467/98943
dc.description.abstractDetekce anomálií na vektorech je již dobře zmapovanou oblastí, detekce anomálií pro množinová data však představuje několik nových problémů. Množinou rozumíme skupinu vektorů, jejichž počet se v množinách se může lišit a na pořadí vektorů nezáleží. V detekci anomálií na množinových datech je tak třeba řešit invarianci na permutace a kardinalitu množin. Je nutné přehodnotit již existující techniky, modifikovat výpočty skóre a hledat nové modely. Práce se soustředí na různé aspekty problému detekce anomálií na množinách a porovnává již zavedené modely na veřejně přístupných datech. Provedená studie zdůrazňuje důležitost funkce pro výpočet skóre, která je normalizovaná a bere v potaz distribuci kardinality množin. VAE trénovaný na instancích s modifikovaným výpočtem skóre se ukazuje jako nejlepší model na MI datasetech, nově vytvořený PoolModel pak dosahuje nejlepšího výsledku na MNIST datasetu.cze
dc.subjectdetekce anomáliícze
dc.subjectdetekce anomálií na množináchcze
dc.subjectfunkce skórecze
dc.subjectgenerativní modelycze
dc.subjecthluboké učenícze
dc.subjectkardinalitacze
dc.subjectmulti-instance učenícze
dc.subjectone-class klasifikacecze
dc.subjectpravděpodobnostní modelycze
dc.titleDetekce anomálií pro množinová datacze
dc.typevýzkumná zpráva
dc.typeresearch report


Files in this item


This item appears in the following Collection(s)

Show simple item record