Polunadzirano učenje s virtualnim neprijateljskim primjerima

diplomski rad

• Naslov (engleski): Semi-supervised learning with virtual adversarial examples
• Autor: Andrija Lonza
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Stjepan Groš (član povjerenstva)
• Član povjerenstva: Vladimir Čeperić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2020-07-15, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Diplomski rad obuhvaća kratku teoretsku razradu vrsta učenja modela u području dubokog učenja, te opsežnu teoretsku razradu metode polunadziranog učenja pod nazivom Polunadzirano učenje s virtualnim neprijateljskim primjerima. Predstavlja regularizacijsku tehniku učenja s virtualnim neprijateljskim primjerima koja potiče glatkoću decizijske granice zahtijevajući da neoznačeni primjeri imaju što sličniju predikciju kao i njihove perturbirane inačice. Predstavlja pojam virtualne neprijateljske perturbacije, te funkciju lokalne glatkoće razdiobe koje predstavljaju ključne pojmove u metodi. Provedeni su eksperimenti nad skupovima podataka MNIST, SVHN te CIFAR-10. Razvijen je postupak polunadziranog učenja klasifikacijskog modela zasnovan na virtualnim neprijateljskim primjerima.

Sažetak (engleski)

The masters thesis includes a short theoretical elaboration of the types of model training in the field of deep learning and an extensive theoretical elaboration of the method of semi-supervised learning called Semi-supervised learning with virtual adversarial examples. It represents a regularization technique with virtual adversarial examples that encourages the smoothness of the decision boundary by requiring unlabeled examples to have as similar prediction as possible to their perturbed versions. It represents the term of virtual adversarial perturbation and the local smoothness distribution function that represent key terms in the method. Experiments were performed on the data sets MNIST, SVHN and CIFAR-10. A process of semi-supervised training of the classification model based on virtual adversarial examples has been developed.

• Ključne riječi: virtualna; neprijateljska; perturbacija; VAT; regularizacija; lokalna glatkoća razdiobe; polunadzirana metoda
• Ključne riječi (engleski): virtual; adversarial; perturbation; VAT; regularization; local smoothness of distribution; semi-supervised method
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:469407
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-13 10:19:03