Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 290)
Detail práce
   Přihlásit přes CAS
Adversarial Patterns in Deep Belief Networks
Název práce v češtině: Adversarial Patterns in Deep Belief Networks
Název v anglickém jazyce: Adversarial Patterns in Deep Belief Networks
Klíčová slova: klasifikace, klastrování, umělé neuronové sítě, DBN-sítě, reprezentace znalostí
Klíčová slova anglicky: classification, clustering, artificial neural networks, DBN-networks, knowledge representation
Akademický rok vypsání: 2018/2019
Typ práce: diplomová práce
Jazyk práce:
Ústav: Katedra teoretické informatiky a matematické logiky (32-KTIML)
Vedoucí / školitel: doc. RNDr. Iveta Mrázová, CSc.
Řešitel:
Zásady pro vypracování
The student shall review the following topics in his/her diploma thesis:

- overview and comparison of various paradigms applicable to training of deep belief networks (e.g., gradient descent, contrastive divergence, restricted Boltzmann machines, deep belief networks, etc.),

- recapitulation and mutual comparison of known approaches suitable for the detection of adversarial patterns, i.e., misclassified patterns that are, however, very similar to correctly classified patterns, (t-SNE embedding, rule extraction, and inference, among others),

- interpretation and visualization of the found adversarial patterns and their characteristics.

The student will focus on some of these topics in more detail. Further, he/she will propose a suitable strategy for the detection, generation, and utilization of adversarial patterns based on real-world data, e.g., images, and will implement the models. The evaluation of the obtained results and gained experience shall form an important part of the thesis.
Seznam odborné literatury
1. Některé z dostupných základních učebnic, resp. přehledových článků vhodných pro zvolené téma, např.:
- N. Buduma: Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms, O´Reilly, (2017).
- I. Goodfellow, Y. Bengio, and A. Courville: Deep Learning, The MIT Press, (2016).
- S. Haykin: Neural Networks and Learning Machines, 3rd edition, Pearson, (2009).

2. Články:
- D. H. Ackley, G. E. Hinton, and T. J. Sejnowski: A learning algorithm for Boltzmann machines, in: Cognitive science, Vol. 9(1), (1985), pp.147-169.
- I. Goodfellow, J. Shlens, and C. Szegedy: Explaining and Harnessing Adversarial Examples, in: Proc. of ICLR´2015, (2015), CoRR, abs/1412.6572, 12 p.
- G. E. Hinton: Training products of experts by minimizing contrastive divergence, in: Neural Computation, Vol. 14(8), (2002), pp. 1771-1800.
- G. E. Hinton, S. Osindero, Y.-W. Teh: A Fast Learning Algorithm for Deep Belief Networks, in: Neural Computation, Vol. 18, (2006), pp. 1527-1554.
- A. Fischer and C. Igel: An introduction to restricted Boltzmann machines, in: Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications, Springer, (2012), pp. 14-36.
- N. Le Roux and Y. Bengio: Representational power of restricted Boltzmann machines and deep belief networks, in: Neural Computation, Vol. 20(6), (2008), pp. 1631-1649.
- L. van der Maaten and G. E. Hinton: Visualizing High-Dimensional Data Using t-SNE, in: Journal of Machine Learning Research, Vol. 9, (2008), pp. 2579-2605.

3. Aktuální články z profilujících světových časopisů, např.:
Neurocomputing, Neural Networks, IEEE Transactions on Neural Networks, etc.
 
Univerzita Karlova | Informační systém UK