Tři nové přístupy k data-driven modelování

MgA. Jan HŮLA

Disertační práce

Three Novel Approaches to Data-driven Modeling

Abstract:

This thesis describes approaches that integrate domain knowledge with neural net- works. These approaches should lead to smaller requirements on the size of a training set, higher robustness, and easier interpretation of the resulting model. We focus on three approaches, which leverage domain knowledge in different ways. The first one uses generative models that model the creation of the observed data. The second one is based on graph neural networks, which process structured data and the third one is devoted to the removal of symmetries from the representation of data. The effectiveness of the methods described is experimentally verified on real problems, which are mostly related to computer vision.

Abstract:

Tato práce popisuje přístupy, které integrují expertní znalosti s neuronovými sítěmi. Tímto má být dosaženo menší náročnosti na velikost trénovacích dat a zároveň vyšší robustnosti a snažší interpretovatelnosti výsledného modelu. Pozornost je věnována třem přístupům, které využívají expertní znalosti odlišnými způsoby. První přístup využívá generativních modelů, které popisují vznik pozorovaných dat. Druhý přístup je založen na grafových neuronových sítích, které zpracovávají strukturovaná data a třetí přístup se věnuje odstraňování symetrií z reprezentace dat. Účinnost popsaných metod je experimentálně ověřena na reálných problémech, z nichž velká část se týká počítačového vidění.

Keywords

Znalost domény, neuronové sítě, generativní modely, grafové neuronové sítě, počítačové vidění, symetrie, modelování založené na datech

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 11. 1. 2022

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: prof. Irina Perfiljeva, CSc., prof. Irina Perfiljeva, CSc.

OSTRAVSKÁ UNIVERZITA

Přírodovědecká fakulta

Doktorský studijní program / obor:
Aplikovaná matematika / Aplikovaná matematika a Fuzzy modelování