Varietní učení a umělé neuronové sítě
| advisor: | Ing. Radek Mařík, CSc. |
| e-mail: | show e-mail |
| type: | phd thesis |
| branch of study: | MI_MM, MI_AMSM, MINF, APIN |
| key words: | umělá inteligence, varientní učení, neuronové sítě, strojové učení, počítačové vidění |
| link: | http://comtel.fel.cvut.cz/en/users/marikr |
| description: | Varientní učení je přístup cílící nelineární redukci multidimenzionálních příznakových vektorů. Typicky se předpokládá, že datové sady vyplňují pouze určitý podprostor. Existuje řada metod a postupů, avšak pouze pro některé z nich je vyřešené, k jakému zkreslení dochází projekcí do prostorů s nižší dimenzí. Klasické metody vychází z kritérií postavených na rekonstrukčních chybách a tradičních L metrik, které však mají velkou citlivost k odchýleným vektorům. Možné řešení robustnějšího přístupu se nabízí v kombinaci s použitím umělých neuronových sítí, které používají kritéria založená na cross-entropiích či kritéria využívající Wassersteinovu vzdálenost mezi distribucemi. Teoretické závěry budou experimentálně aplikovány a ověřovány v doméně počítačového vidění a rozpoznávání objektů. |
| references: | [1] L. van der Maaten. Accelerating t-sne using tree-based algorithms. Journal of machine learning research, 15(1):3221–3245, 2014.
[2] X. Xing, S. Du, and K. Wang. Robust hessian locally linear embedding techniques for high-dimensional data. Algorithms, 9:36, 05 2016. [3] Y. Ma and Y. Fu, Manifold Learning Theory and Applications, CRC Press, Inc. 2011 [4] C. K. Chui and H.N. Mhaskar, Deep nets for local manifold learning, Front. Appl. Math. Stat., 2018 [5] I. Goodfellow and Y. Bengio and A. Courville, Deep Learning, MIT Press, 2016 [6] C. M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg, 2006. |
| last update: | 19.12.2019 09:23:03 |
administrator for this page:
Ľubomíra Dvořáková | last update: 09/12/2011