Variační autoenkodér a úlohy pozorování v latentním prostoru

Tomáš Faltejsek

Bakalářská práce

Variational autoencoder and latent space observation tasks

Anotace:

Variační autoenkodér představuje inovaci na poli strojového učení bez učitele. Jeho architektura kombinuje stochastické enkodér–dekodér moduly a hluboké učení. V důsledku interní reprezentace vstupních dat formou latentních proměnných je formován latentní prostor modelu. Trénováním modelu variačního autoenkodéru jsou v jeho latentním prostoru formovány struktury nesoucí sémantický význam vstupních dat. Modelem variačního autoenkodéru jsou navíc zachyceny pouze výrazné rysy vstupních dat a dochází tak k redukci jejich dimenzionality. Variační autoenkodér nalézá uplatnění v širokém spektru úloh generativního modelování a je schopen syntézy zcela nových dat. Práce se zabývá představením teorie variačního autoenkodéru a zmapování jeho aktuálního stavu poznání. Dále jsou v práci představeny možné aplikace variačního autoenkodéru ve vybraných problémových oblastech a jeho využití je demonstrováno praktickou implementací ilustrační úlohy generativního modelování obrazových dat.

Abstract:

Variational autoencoder is an innovation in the field of unsupervised machine learning. Its architecture combines stochastic encoder-decoder modules and deep learning. As a result of the internal representation of input data in the form of latent variables, the latent space of the model is formed. By training the variational autoencoder model, structures conveying the semantic meaning of the input data are formed in its latent space. Moreover, only salient features of the input data are captured by the variational autoencoder model, thus reducing its dimensionality. The variational autoencoder finds application in a wide range of generative modeling tasks and is capable of synthesizing completely new data. This thesis is concerned with introducing the theory of the variational autoencoder and mapping its current state of the art. Furthermore, the paper presents possible applications of the variational autoencoder in selected problem domains and demonstrates its use through a practical implementation of an illustrative generative modeling task for image data.

Klíčová slova

variační autoenkodér, latentní prostor, generativní modelování, strojové učení

Keywords

latent space, generative modeling, variational autoencoder, machine learning

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 8. 5. 2023

Obhajoba závěrečné práce

• Obhajoba proběhla 16. 6. 2023
• Vedoucí: Ondřej Vadinský
• Oponent: Gabriela Šejnová

Vysoká škola ekonomická v Praze

Bakalářský studijní program:
Aplikovaná informatika